Datasets:

Translation-EnKo

/

nlp-arxiv-translation-dpo

like 0

Recent advancements in LLMs have demonstrated their great potential to accomplish a wide range of tasks in the form of question-answering (QA). However, building autonomous agents is far from QA, since they need to fulfill specific roles and autonomously perceive and learn from the environment to evolve themselves like humans. To bridge the gap between traditional LLMs and autonomous agents, a crucial aspect is to design rational agent architectures to assist LLMs in maximizing their capabilities. Along this direction, previous work hasdeveloped a number of modules to enhance LLMs. In this section, we propose a unified framework to summarize these modules. In specific, the overall structure of our framework is illustrated Figure 2, which is composed of a profiling module, a memory module, a planning module, and an action module. The purpose of the profiling module is to identify the role of the agent. The memory and planning modules place the agent into a dynamic environment, enabling it to recall past behaviors and plan future actions. The action module is responsible for translating the agent's decisions into specific outputs. Within these modules, the profiling module impacts the memory and planning modules, and collectively, these three modules influence the action module. In the following, we detail these modules.

최근 LLM의 발전은 question-answering (QA) 형태로 다양한 작업을 수행할 수 있는 막대한 잠재력을 보여주었습니다. 그러나 자율 에이전트를 구축하는 것은 QA와는 거리가 멀며, 특정 역할을 수행하고 환경을 자율적으로 인식하고 학습하여 인간처럼 스스로 진화해야 하기 때문입니다. 기존 LLM과 자율 에이전트 간의 격차를 해소하기 위해서는 합리적인 에이전트 아키텍처를 설계하여 LLM이 그 능력을 극대화할 수 있도록 지원하는 것이 중요한 측면입니다. 이러한 방향에서 이전 연구에서는 LLM을 강화하기 위한 다양한 모듈을 개발했습니다. 이 섹션에서는 이러한 모듈을 요약하기 위한 통합 프레임워크를 제안합니다. 특히, 프로파일링 모듈, 메모리 모듈, 계획 모듈, 액션 모듈로 구성된 프레임워크의 전체 구조는 그림 2와 같습니다. 프로파일링 모듈의 목적은 에이전트의 역할을 식별하는 것입니다. 메모리 및 계획 모듈은 에이전트를 동적 환경에 배치하여 과거 행동을 기억하고 미래의 행동을 계획할 수 있도록 합니다. 액션 모듈은 에이전트의 결정을 특정 출력으로 변환하는 역할을 담당합니다. 이러한 모듈 내에서 프로파일링 모듈은 메모리 및 계획 모듈에 영향을 미치며, 이 세 모듈은 총체적으로 액션 모듈에 영향을 미칩니다. 다음에서는 이러한 모듈에 대해 자세히 설명합니다.

최근 LLM의 발전은 질의응답(QA) 형태로 다양한 작업을 수행할 수 있는 막대한 잠재력을 보여주었습니다. 그러나 자율 에이전트를 구축하는 것은 QA와는 거리가 멀며, 특정 역할을 수행하고 환경을 자율적으로 인식하고 학습하여 인간처럼 스스로 진화해야 하기 때문입니다. 기존 LLM과 자율 에이전트 간의 격차를 해소하기 위해서는 합리적인 에이전트 아키텍처를 설계하여 LLM이 그 능력을 극대화할 수 있도록 지원하는 것이 중요한 측면입니다. 이러한 방향에서 이전 연구에서는 LLM을 강화하기 위한 다양한 모듈을 개발했습니다. 이 섹션에서는 이러한 모듈을 요약하기 위한 통합 프레임워크를 제안합니다. 특히, 프로파일링 모듈, 메모리 모듈, 계획 모듈, 액션 모듈로 구성된 프레임워크의 전체 구조는 그림 2와 같습니다. 프로파일링 모듈의 목적은 에이전트의 역할을 식별하는 것입니다. 메모리 및 계획 모듈은 에이전트를 동적 환경에 배치하여 과거 행동을 기억하고 미래의 행동을 계획할 수 있도록 합니다. 액션 모듈은 에이전트의 결정을 특정 출력으로 변환하는 역할을 담당합니다. 이러한 모듈 내에서 프로파일링 모듈은 메모리 및 계획 모듈에 영향을 미치며, 이 세 모듈은 총체적으로 액션 모듈에 영향을 미칩니다. 다음에서는 이러한 모듈에 대해 자세히 설명합니다.

Wang et al. (2022) iteratively acquires knowledge from the model, making progress in multi-hop QA. Zhou et al. (2023) proposes Least-to-Most Prompting, which initially breaks down the question into sub-questions in a top-down fashion, and subsequently, it solves a sub-question once at a time and leverages their solutions to facilitate subsequent sub-questions. Successive Prompting (Dua et al., 2022) takes a similar approach to Least-to-Most Prompting, and the difference is that it takes a decomposition with interleaved sub-questions and answers rather than two-stage decomposition. The above methods do not formulate tailored solutions for various sub-problems. Decomposed Prompting (Khot et al., 2023) designs a modular shared library, each dedicated to a class of subproblems, which can tailor more effective solutions to different classes of sub-problems. Apart from general tasks, some works focus on question decomposition on tabular reasoning. BINDER(Cheng et al., 2023) maps reasoning to a program in a neural-symbolic manner and obtains the final answer through a program executor such as Python or SQL. Ye et al. (2023) introduces DATER, which breaks down large tables into smaller ones and complex questions into simpler ones. The former reduces irrelevant information, while the latter reduces the complexity of reasoning.

Wang et al. (2022)는 모델에서 지식을 반복적으로 획득하여 multi-hop QA 분야에서 진전을 이루었습니다. Zhou et al. (2023)는 최초에 질문을 하향식으로 하위 질문으로 분해한 후, 한 번에 하나의 하위 질문을 해결하고 그 해결책을 활용하여 후속 하위 질문을 용이하게 하는 Least-to-Most Prompting을 제안합니다. Successive Prompting (Dua et al., 2022)는 Least-to-Most Prompting과 유사한 접근 방식을 취하며, 2단계 분해가 아닌 하위 질문과 답변이 인터리브된 분해를 취한다는 점이 차이점입니다. 위의 방법은 다양한 하위 문제에 대한 맞춤형 솔루션을 공식화하지 않습니다. Decomposed Prompting (Khot et al., 2023)는 각각 하위 문제의 한 종류에 전념하는 모듈식 공유 라이브러리를 설계하여 다양한 하위 문제 클래스에 대해 보다 효과적인 솔루션을 맞춤화할 수 있습니다. 일반적인 작업 외에도 일부 작업은 표 형식의 추론에 대한 질문 분해에 초점을 맞추고 있습니다. BINDER (Cheng et al., 2023)는 추론을 신경 기호 방식으로 프로그램에 매핑하고 Python 또는 SQL과 같은 프로그램 실행기를 통해 최종 답을 얻습니다. Ye et al. (2023)는 큰 테이블을 작은 테이블로, 복잡한 질문을 더 간단한 질문으로 분해하는 DATER를 소개합니다. 전자는 관련 없는 정보를 줄이고 후자는 추론의 복잡성을 줄입니다.

Wang 외(2022)는 모델에서 지식을 반복적으로 획득하여 다중 홉 QA 분야에서 진전을 이루었습니다. Zhou 외(2023)는 최초에 질문을 하향식으로 하위 질문으로 분해한 후, 한 번에 하나의 하위 질문을 해결하고 그 해결책을 활용하여 후속 하위 질문을 용이하게 하는 최소-최대 프롬프트를 제안합니다. 연속 프롬프트(Dua 외, 2022)는 최소-최대 프롬프트와 유사한 접근 방식을 취하며, 2단계 분해가 아닌 하위 질문과 답변이 인터리브된 분해를 취한다는 점이 차이점입니다. 위의 방법은 다양한 하위 문제에 대한 맞춤형 솔루션을 공식화하지 않습니다. 분해된 프롬프트(Khot 외, 2023)는 각각 하위 문제의 한 종류에 전념하는 모듈식 공유 라이브러리를 설계하여 다양한 하위 문제 클래스에 대해 보다 효과적인 솔루션을 맞춤화할 수 있습니다. 일반적인 작업 외에도 일부 작업은 표 형식의 추론에 대한 질문 분해에 초점을 맞추고 있습니다. BINDER(Cheng 외, 2023)는 추론을 신경 기호 방식으로 프로그램에 매핑하고 Python 또는 SQL과 같은 프로그램 실행기를 통해 최종 답을 얻습니다. Ye 외(2023)는 큰 테이블을 작은 테이블로, 복잡한 질문을 더 간단한 질문으로 분해하는 DATER를 소개합니다. 전자는 관련 없는 정보를 줄이고 후자는 추론의 복잡성을 줄입니다.

Tree StructureThe original chain structure inherently limits the scope of exploration. Through the incorporation of tree structures and tree search algorithms, models gain the capability to efficiently explore and backtrack during the reasoning process (Long, 2023; Yao et al., 2023), as shown in Figure 2(e). Combined with self-assessment of intermediate thoughts, models can achieve global optimum solutions. The reasoning process of ToT involves uncertainty, which can potentially lead to cascading errors. TouT (Mo and Xin, 2023) introduces Monte Carlo Dropout in reasoning, taking into account the uncertainty. Yu et al. (2023) delves into analogous problems, harnessing their solutions to elevate the intricate reasoning abilities of LLMs. These analogous problems exhibit a tree-like structure, ultimately converging to solve the main problem. However, the current tree-of-thought has considerable limitations on task selection and requires specific prompt designing for each task, which hinders its widespread application. SoT (Ning et al., 2023) is another variant of the tree structure, which decomposes a problem into subproblems that can be processed in parallel and solved simultaneously to speed up reasoning. However, its utility is restricted to parallel decomposable problems and is not suited for complex reasoning tasks.

트리 구조원래의 체인 구조는 본질적으로 탐색 범위를 제한합니다. 트리 구조와 트리 검색 알고리즘을 통합함으로써 모델은 Figure 2(e)와 같이 추론 과정에서 효율적으로 탐색하고 역추적할 수 있는 기능을 갖추게 되었습니다. 중간 생각에 대한 자체 평가와 결합하면 모델은 전역 최적 솔루션을 달성할 수 있습니다. ToT의 추론 과정에는 불확실성이 포함되어 있어 잠재적으로 연쇄적인 오류로 이어질 수 있습니다. TouT(Mo and Xin, 2023)는 불확실성을 고려하여 추론에 Monte Carlo Dropout을 도입합니다. Yu et al. (2023)은 유사한 문제를 탐구하여 그 해결책을 활용하여 LLM의 복잡한 추론 능력을 향상시킵니다. 이러한 유사 문제는 트리와 같은 구조를 보이며 궁극적으로 주요 문제를 해결하는 데 수렴합니다. 그러나 현재 생각의 트리는 작업 선택에 상당한 제한이 있으며 각 작업에 대해 특정 prompt 설계가 필요하기 때문에 광범위한 적용에 방해가 됩니다. SoT(Ning et al., 2023)는 트리 구조의 또 다른 변형으로, 문제를 병렬로 처리할 수 있는 하위 문제로 분해하여 동시에 해결함으로써 추론 속도를 높일 수 있습니다. 그러나 이 방법은 병렬 분해 가능한 문제에만 유용하며 복잡한 추론 작업에는 적합하지 않습니다.

트리 구조원래의 체인 구조는 본질적으로 탐색 범위를 제한합니다. 트리 구조와 트리 검색 알고리즘을 통합함으로써 모델은 Figure 2(e)와 같이 추론 과정에서 효율적으로 탐색하고 역추적할 수 있는 기능을 갖추게 되었습니다. 중간 생각에 대한 자체 평가와 결합하면 모델은 전역 최적 솔루션을 달성할 수 있습니다. ToT의 추론 과정에는 불확실성이 포함되어 있어 잠재적으로 연쇄적인 오류로 이어질 수 있습니다. TouT(Mo and Xin, 2023)는 불확실성을 고려하여 추론에 몬테카를로 드롭아웃을 도입합니다. Yu et al. (2023)은 유사한 문제를 탐구하여 그 해결책을 활용하여 LLM의 복잡한 추론 능력을 향상시킵니다. 이러한 유사 문제는 트리와 같은 구조를 보이며 궁극적으로 주요 문제를 해결하는 데 수렴합니다. 그러나 현재 생각의 트리는 작업 선택에 상당한 제한이 있으며 각 작업에 대해 특정 프롬프트 설계가 필요하기 때문에 광범위한 적용에 방해가 됩니다. SoT(Ning et al., 2023)는 트리 구조의 또 다른 변형으로, 문제를 병렬로 처리할 수 있는 하위 문제로 분해하여 동시에 해결함으로써 추론 속도를 높일 수 있습니다. 그러나 이 방법은 병렬 분해 가능한 문제에만 유용하며 복잡한 추론 작업에는 적합하지 않습니다.

ResultFigure 9 shows the distribution of \(\textsc{CnstScore}\) computed with different styles of prompts \(\tau^{\prime}\) as written in the y-axis. The red case is the consistency score of the two-hop prompt that we mainly study in our work, which requires full multi-hop reasoning. Because no information to reason from is given in the input, \(\textsc{CnstScore}\) is significantly lower than the cases of other CoT-style prompts. The blue case is where what the descriptive mention refers to is given as the input, but what the LLM knows about the bridge entity's attribute needs to be internally recalled and referred to. The green cases are where the bridge entity's attribute, i.e., the answer to the prompt, is explicitly given in the input, and thus, the LLM does not need to refer to its answer to the one-hop prompt. The result demonstrates that the mean of \(\textsc{CnstScore}\) is higher for the blue cases where the model is forced to refer to its answer to the one-hop prompt than in the green cases where the model does not need to refer to the answer. The difference between the red and the blue cases would have come from the existence of the information of the descriptive mention's identity in the input prompt, which would have helped the LLM to use the connection to refer to what it knows about the bridge entity.

결과그림 9는 y축에 기재된 것처럼 다양한 스타일의 prompts \(\tau^{\prime}\)로 계산된 \(\textsc{CnstScore}\)의 분포를 보여준다. 빨간색 사례는 우리 연구에서 주로 연구하는 2-hop prompt의 일관성 점수로, 완전한 multi-hop reasoning이 필요하다. 입력에 reasoning할 정보가 제공되지 않기 때문에 \(\textsc{CnstScore}\)는 다른 CoT 스타일의 prompts의 경우보다 훨씬 낮다. 파란색 사례는 설명이 언급하는 내용이 입력으로 주어지지만, LLM이 bridge entity의 속성에 대해 알고 있는 내용을 내부적으로 기억하여 참조해야 하는 경우이다. 녹색 사례는 bridge entity의 속성, 즉 prompt에 대한 답이 입력에 명시적으로 주어지므로 LLM이 한 단계 prompt에 대한 답을 참조할 필요가 없는 경우이다. 이 결과는 답변을 참조할 필요가 없는 녹색 사례보다 모델이 한 단계 prompt에 대한 답변을 참조하도록 강제하는 파란색 사례에서 \(\textsc{CnstScore}\)의 평균이 더 높다는 것을 보여줍니다. 빨간색과 파란색 사례의 차이는 입력 prompt에 설명적 언급의 신원 정보가 존재하여 LLM이 bridge entity에 대해 알고 있는 내용을 참조하는 데 도움이 되었을 것이기 때문입니다.

결과그림 9는 y축에 기재된 것처럼 다양한 스타일의 프롬프트 \(\tau^{\prime}\)로 계산된 \(\textsc{CnstScore}\)의 분포를 보여준다. 빨간색 사례는 우리 연구에서 주로 연구하는 2홉 프롬프트의 일관성 점수로, 완전한 다중 홉 추론이 필요하다. 입력에 추론할 정보가 제공되지 않기 때문에 \(\textsc{CnstScore}\)는 다른 CoT 스타일의 프롬프트의 경우보다 훨씬 낮다. 파란색 사례는 설명이 언급하는 내용이 입력으로 주어지지만, LLM이 다리 엔티티의 속성에 대해 알고 있는 내용을 내부적으로 기억하여 참조해야 하는 경우이다. 녹색 사례는 다리 엔티티의 속성, 즉 프롬프트에 대한 답이 입력에 명시적으로 주어지므로 LLM이 한 단계 프롬프트에 대한 답을 참조할 필요가 없는 경우이다. 이 결과는 답변을 참조할 필요가 없는 녹색 사례보다 모델이 한 단계 프롬프트에 대한 답변을 참조하도록 강제하는 파란색 사례에서 \(\textsc{CnstScore}\)의 평균이 더 높다는 것을 보여줍니다. 빨간색과 파란색 사례의 차이는 입력 프롬프트에 설명적 언급의 신원 정보가 존재하여 LLM이 다리 엔티티에 대해 알고 있는 내용을 참조하는 데 도움이 되었을 것이기 때문입니다.

Retrieval augmented generation (RAG) is often used to fix hallucinations and provide up-to-date knowledge for large language models (LLMs). However, in cases when the LLM alone incorrectly answers a question, does providing the correct retrieved content always fix the error? Conversely, in cases where the retrieved content is incorrect, does the LLM know to ignore the wrong information, or does it recapitulate the error? To answer these questions, we systematically analyze the tug-of-war between a LLM's internal knowledge (i.e. its prior) and the retrieved information in settings when they disagree. We test GPT-4 and other LLMs on question-answering abilities across datasets with and without reference documents. As expected, providing the correct retrieved information fixes most model mistakes (94% accuracy). However, when the reference document is perturbed with increasing levels of wrong values, the LLM is more likely to recite the incorrect, modified information when its internal prior is weaker but is more resistant when its prior is stronger. Similarly, we also find that the more the modified information deviates from the model's prior, the less likely the model is to prefer it. These results highlight an underlying tension between a model's prior knowledge and the information presented in reference documents.

리트리벌 증강 생성(RAG)은 종종 대규모 언어 모델(LLM)의 hallucination을 수정하고 최신 지식을 제공하는 데 사용됩니다. 그러나 LLM만으로 질문에 잘못 답하는 경우, 올바른 검색 콘텐츠를 제공하면 항상 오류가 수정되나요? 반대로 검색된 콘텐츠가 잘못된 경우 LLM이 잘못된 정보를 무시해야 하는지, 아니면 오류를 반복해야 하는지 알고 있나요? 이러한 질문에 답하기 위해, 우리는 LLM의 내부 지식(즉, prior)과 검색된 정보가 서로 동의하지 않는 설정에서 LLM의 내부 지식과 검색된 정보 사이의 줄다리기를 체계적으로 분석합니다. 참조 문서가 있는 데이터 세트와 없는 데이터 세트에서 질문에 대한 답변 능력에 대해 GPT-4 및 기타 LLM을 테스트합니다. 예상대로 올바른 검색 정보를 제공하면 대부분의 모델 실수(정확도 94%)를 수정할 수 있습니다. 그러나 참조 문서가 점점 더 많은 수준의 잘못된 값으로 교란될 때, LLM은 내부 prior가 약할 때는 잘못된 수정된 정보를 암송할 가능성이 높지만 prior가 강할 때는 더 강한 저항력을 보입니다. 마찬가지로 수정된 정보가 모델의 prior에서 벗어날수록 모델이 선호할 가능성이 낮다는 사실도 발견했습니다. 이러한 결과는 모델의 사전 지식과 참조 문서에 제시된 정보 사이에 근본적인 긴장이 있음을 강조합니다.

리트리벌 증강 생성(RAG)은 종종 대규모 언어 모델(LLM)의 환각을 수정하고 최신 지식을 제공하는 데 사용됩니다. 그러나 LLM만으로 질문에 잘못 답하는 경우, 올바른 검색 콘텐츠를 제공하면 항상 오류가 수정되나요? 반대로 검색된 콘텐츠가 잘못된 경우 LLM이 잘못된 정보를 무시해야 하는지, 아니면 오류를 반복해야 하는지 알고 있나요? 이러한 질문에 답하기 위해, 우리는 LLM의 내부 지식(즉, 선험)과 검색된 정보가 서로 동의하지 않는 설정에서 LLM의 내부 지식과 검색된 정보 사이의 줄다리기를 체계적으로 분석합니다. 참조 문서가 있는 데이터 세트와 없는 데이터 세트에서 질문에 대한 답변 능력에 대해 GPT-4 및 기타 LLM을 테스트합니다. 예상대로 올바른 검색 정보를 제공하면 대부분의 모델 실수(정확도 94%)를 수정할 수 있습니다. 그러나 참조 문서가 점점 더 많은 수준의 잘못된 값으로 교란될 때, LLM은 내부 선험이 약할 때는 잘못된 수정된 정보를 암송할 가능성이 높지만 선험이 강할 때는 더 강한 저항력을 보입니다. 마찬가지로 수정된 정보가 모델의 선험에서 벗어날수록 모델이 선호할 가능성이 낮다는 사실도 발견했습니다. 이러한 결과는 모델의 사전 지식과 참조 문서에 제시된 정보 사이에 근본적인 긴장이 있음을 강조합니다.

As briefly described in Section 4.4, we observe that many of our validation sets are close (in cosine distance) to our training sets, and the impact of data selection is varies across individual validation sets. Individual validation sets live in different regions of the embedding space, and as such they are affected differently by data selection. For example, one could imagine that web-snapshot validation sets such as C4 is close to CC-dedup in the embedding space, while esoteric validation sets (such as Gutenberg PG 19 or DM Mathematics) might be far. To quantify this, we first find the nearest neighbors in the training set to each validation point in all of our validation sets. We then qualitatively check (see Table A8 and Table A9 for examples) that nearest-neighbors in the training set truly convey information about validation points. we observe significant overlap between training points and validation points. We then quantitatively analyze how close each validation set is to the training set: in Figure A12, we show the breakdown of this distribution for each validation set. We see a general trend, that web-snapshots validation sets are closest to the training set as they are skewed to the right, while more esoteric validation sets (Gutenberg, or Wikipedia (en)) are more centered or even slightly left-skewed.

4.4절에서 간략하게 설명했듯이, 우리의 validation 세트 중 상당수가 우리의 training 세트에 (cosine distance에서) 가깝고, 데이터 선택의 영향은 개별 validation 세트마다 다르다는 것을 관찰합니다. 개별 validation 세트는 embedding 공간의 서로 다른 영역에 존재하므로 데이터 선택의 영향을 다르게 받습니다. 예를 들어, 웹 스냅샷 validation 세트(예: C4)는 embedding 공간에서 CC-dedup와 가깝지만, 난해한 validation 세트(예: Gutenberg PG 19 또는 DM Mathematics)는 멀리 떨어져 있을 수 있다고 상상할 수 있습니다. 이를 정량화하기 위해 먼저 모든 validation 세트에서 각 validation 점에 가장 가까운 training 세트를 찾습니다. 그런 다음 training 세트의 가장 가까운 이웃이 validation 점에 대한 정보를 실제로 전달하는지 정성적으로 확인합니다(예시는 표 A8 및 표 A9 참조). training 점과 validation 점 사이에 상당한 중복이 있음을 관찰합니다. 그런 다음 각 validation 세트가 training 세트에 얼마나 가까운지 정량적으로 분석합니다: 그림 A12에는 각 validation 세트에 대한 이 분포의 분석이 표시되어 있습니다. 웹 스냅샷 validation 세트는 오른쪽으로 치우쳐 있기 때문에 training 세트에 가장 가깝고, 난해한 validation 세트(Gutenberg 또는 Wikipedia (en))는 중앙에 위치하거나 약간 왼쪽으로 치우쳐 있는 일반적인 추세를 볼 수 있습니다.

4.4절에서 간략하게 설명했듯이, 우리의 유효성 검사 세트 중 상당수가 우리의 훈련 세트에 (코사인 거리에서) 가깝고, 데이터 선택의 영향은 개별 유효성 검사 세트마다 다르다는 것을 관찰합니다. 개별 유효성 검사 세트는 임베딩 공간의 서로 다른 영역에 존재하므로 데이터 선택의 영향을 다르게 받습니다. 예를 들어, 웹 스냅샷 유효성 검사 세트(예: C4)는 임베딩 공간에서 CC-중복 제거와 가깝지만, 난해한 유효성 검사 세트(예: 구텐베르크 PG 19 또는 DM 수학)는 멀리 떨어져 있을 수 있다고 상상할 수 있습니다. 이를 정량화하기 위해 먼저 모든 유효성 검사 세트에서 각 유효성 검사 점에 가장 가까운 훈련 세트를 찾습니다. 그런 다음 훈련 세트의 가장 가까운 이웃이 유효성 검사 점에 대한 정보를 실제로 전달하는지 정성적으로 확인합니다(예시는 표 A8 및 표 A9 참조). 훈련 점과 유효성 검사 점 사이에 상당한 중복이 있음을 관찰합니다. 그런 다음 각 유효성 검사 세트가 훈련 세트에 얼마나 가까운지 정량적으로 분석합니다: 그림 A12에는 각 유효성 검사 세트에 대한 이 분포의 분석이 표시되어 있습니다. 웹 스냅샷 유효성 검사 세트는 오른쪽으로 치우쳐 있기 때문에 훈련 세트에 가장 가깝고, 난해한 유효성 검사 세트(구텐베르크 또는 위키백과(en))는 중앙에 위치하거나 약간 왼쪽으로 치우쳐 있는 일반적인 추세를 볼 수 있습니다.

Training with synthetic data makes evaluation decontamination harder.The use of synthetic data in model training poses significant challenges to fair evaluation. Evaluation benchmarks are often created by referring to public text sources, such as coursework websites or forums. Consequently, it is arguable that all publicly available benchmark test cases might occasionally be included in the pre-training data of LLMs (Gao et al., 2021; Hoffmann et al., 2022). The use of synthetic data exacerbates this issue rather than mitigating it. Although the community has proposed several techniques to detect such evaluation contamination, such as _min-k9 prob_(Shi et al., 2023), which checks the probabilities of \(k\) long-tail tokens, these token-level decontamination methods are inadequate whenthe model is trained with synthetic data. Synthetic data might include rephrased versions of the benchmark data (Mattern et al., 2023; Oren et al., 2023), rendering token-level decontamination ineffective. In addition to developing more advanced evaluation contamination detection techniques, we recommend that model developers invest in creating and maintaining in-house and protected evaluation benchmarks. These proprietary benchmarks should be carefully safeguarded to prevent leakage and ensure the integrity of the evaluation process.

합성 데이터로 훈련하면 평가 오염을 방지하기가 더 어려워집니다. 모델 학습에 synthetic data를 사용하면 공정한 평가에 상당한 어려움을 초래합니다. Evaluation benchmarks는 코스 웹사이트나 포럼과 같은 공개 텍스트 소스를 참조하여 만들어지는 경우가 많습니다. 따라서 공개적으로 사용 가능한 모든 벤치마크 테스트 사례가 LLM의 사전 학습 데이터에 포함될 수 있다고 주장할 수 있습니다(Gao et al., 2021; Hoffmann et al., 2022). Synthetic data를 사용하면 이러한 문제가 완화되기보다는 오히려 악화됩니다. 연구 커뮤니티에서는 이러한 평가 오염을 감지하기 위해 \(k\) 롱테일 토큰의 확률을 확인하는 _min-k9 prob_(Shi et al., 2023) 등 여러 가지 기술을 제안했지만, 이러한 토큰 수준의 오염 제거 방법은 모델이 synthetic data로 학습된 경우에는 적절하지 않습니다. Synthetic data에는 벤치마크 데이터의 고안된 버전이 포함될 수 있으므로(Mattern et al., 2023; Oren et al., 2023), 토큰 수준의 오염 제거가 효과적이지 않을 수 있습니다. 고급 평가 오염 감지 기술을 개발하는 것 외에도 모델 개발자는 사내 및 보호 evaluation benchmarks를 만들고 유지하는 데 투자할 것을 권장합니다. 이러한 독점 벤치마크는 유출을 방지하고 평가 프로세스의 무결성을 보장하기 위해 신중하게 보호되어야 합니다.

합성 데이터로 훈련하면 평가 오염을 방지하기가 더 어려워집니다. 모델 학습에 합성 데이터를 사용하면 공정한 평가에 상당한 어려움을 초래합니다. 평가 벤치마크는 코스 웹사이트나 포럼과 같은 공개 텍스트 소스를 참조하여 만들어지는 경우가 많습니다. 따라서 공개적으로 사용 가능한 모든 벤치마크 테스트 사례가 LLM의 사전 학습 데이터에 포함될 수 있다고 주장할 수 있습니다(Gao et al., 2021; Hoffmann et al., 2022). 합성 데이터를 사용하면 이러한 문제가 완화되기보다는 오히려 악화됩니다. 연구 커뮤니티에서는 이러한 평가 오염을 감지하기 위해 \(k\) 롱테일 토큰의 확률을 확인하는 _min-k9 prob_(Shi et al., 2023) 등 여러 가지 기술을 제안했지만, 이러한 토큰 수준의 오염 제거 방법은 모델이 합성 데이터로 학습된 경우에는 적절하지 않습니다. 합성 데이터에는 벤치마크 데이터의 고안된 버전이 포함될 수 있으므로(Mattern et al., 2023; Oren et al., 2023), 토큰 수준의 오염 제거가 효과적이지 않을 수 있습니다. 고급 평가 오염 감지 기술을 개발하는 것 외에도 모델 개발자는 사내 및 보호 평가 벤치마크를 만들고 유지하는 데 투자할 것을 권장합니다. 이러한 독점 벤치마크는 유출을 방지하고 평가 프로세스의 무결성을 보장하기 위해 신중하게 보호되어야 합니다.

The issue of hallucination in LLMs has been explored in multiple contexts and models (Ji et al., 2023; Kaddour et al., 2023). As a response, RAG systems have been shown to reduce hallucination (Shuster et al., 2021; Kang et al., 2023). Previous works have explored automated RAG evaluation frameworks in various settings (Es et al., 2023; Hoshi et al., 2023; Saad-Falcon et al., 2023; Zhang et al., 2024). For example, some studies use LLMs to evaluate the faithfulness, answer relevance, and context relevance of RAG systems by using GPT-3.5 as an evaluator (Es et al., 2023; Saad-Falcon et al., 2023). In another study, the authors propose metrics such as noise robustness, negative rejection, information integration, and counterfactual robustness (Chen et al., 2024). Multiple studies have shown that RAG can mislead LLMs in the presence of complex or misleading search results and that such models can still make mistakes even when given the correct response (Foulds et al., 2024; Shuster et al., 2021). In relation to understanding model priors, other works have used log probabilities to assess the LLM's confidence in responses (Mitchell et al., 2023; Zhao et al., 2024). However, so far there has not been a systematic exploration of a model's confidence (via logprobs) and the model's preference for RAG-provided information.

LLM의 hallucination 문제는 여러 맥락과 모델(Ji et al., 2023; Kaddour et al., 2023)에서 탐구되어 왔습니다. 이에 대한 대응으로 RAG 시스템은 hallucination을 감소시키는 것으로 나타났습니다(Shuster et al., 2021; Kang et al., 2023). 이전 연구에서는 다양한 환경에서 자동화된 RAG 평가 프레임워크를 탐구했습니다(Es et al., 2023; Hoshi et al., 2023; Saad-Falcon et al., 2023; Zhang et al., 2024). 예를 들어, 일부 연구에서는 GPT-3.5를 평가자로 사용하여 RAG 시스템의 충실도, 답변 관련성 및 컨텍스트 관련성을 평가하기 위해 LLM을 사용합니다(Es et al., 2023; Saad-Falcon et al., 2023). 또 다른 연구에서는 노이즈 robustness, 부정 거부, 정보 통합 및 반사실적 robustness와 같은 메트릭을 제안합니다(Chen et al., 2024). 여러 연구에 따르면 복잡하거나 오해의 소지가 있는 검색 결과가 있는 경우 RAG가 LLM을 오도할 수 있으며, 이러한 모델은 정답이 주어진 경우에도 여전히 실수를 할 수 있습니다(Foulds et al., 2024; Shuster et al., 2021). 모델의 선험을 이해하는 것과 관련하여, 다른 연구에서는 log probabilities를 사용하여 LLM의 응답에 대한 신뢰도를 평가했습니다(Mitchell et al., 2023; Zhao et al., 2024). 그러나 지금까지 모델의 신뢰도(logprobs를 통해)와 RAG가 제공한 정보에 대한 모델의 선호도에 대한 체계적인 탐구는 이루어지지 않았습니다.

LLM의 환각 문제는 여러 맥락과 모델(Ji et al., 2023; Kaddour et al., 2023)에서 탐구되어 왔습니다. 이에 대한 대응으로 RAG 시스템은 환각을 감소시키는 것으로 나타났습니다(Shuster et al., 2021; Kang et al., 2023). 이전 연구에서는 다양한 환경에서 자동화된 RAG 평가 프레임워크를 탐구했습니다(Es et al., 2023; Hoshi et al., 2023; Saad-Falcon et al., 2023; Zhang et al., 2024). 예를 들어, 일부 연구에서는 GPT-3.5를 평가자로 사용하여 RAG 시스템의 충실도, 답변 관련성 및 컨텍스트 관련성을 평가하기 위해 LLM을 사용합니다(Es et al., 2023; Saad-Falcon et al., 2023). 또 다른 연구에서는 노이즈 견고성, 부정 거부, 정보 통합 및 반사실적 견고성과 같은 메트릭을 제안합니다(Chen et al., 2024). 여러 연구에 따르면 복잡하거나 오해의 소지가 있는 검색 결과가 있는 경우 RAG가 LLM을 오도할 수 있으며, 이러한 모델은 정답이 주어진 경우에도 여전히 실수를 할 수 있습니다(Foulds et al., 2024; Shuster et al., 2021). 모델의 선험을 이해하는 것과 관련하여, 다른 연구에서는 로그 확률을 사용하여 LLM의 응답에 대한 신뢰도를 평가했습니다(Mitchell et al., 2023; Zhao et al., 2024). 그러나 지금까지 모델의 신뢰도(로그 확률을 통해)와 RAG가 제공한 정보에 대한 모델의 선호도에 대한 체계적인 탐구는 이루어지지 않았습니다.

We study whether Large Language Models (LLMs) latently perform multi-hop reasoning with complex prompts such as "The mother of the singer of 'Superstition' is". We look for evidence of a latent reasoning pathway where an LLM (1) latently identifies "the singer of 'Superstition"' as Stevie Wonder, the _bridge entity_, and (2) uses its knowledge of Stevie Wonder's mother to complete the prompt. We analyze these two hops individually and consider their co-occurrence as indicative of latent multi-hop reasoning. For the first hop, we test if changing the prompt to indirectly mention the bridge entity instead of any other entity increases the LLM's internal recall of the bridge entity. For the second hop, we test if increasing this recall causes the LLM to better utilize what it knows about the bridge entity. We find strong evidence of latent multi-hop reasoning for the prompts of certain relation types, with the reasoning pathway used in more than 80% of the prompts. However, the utilization is highly contextual, varying across different types of prompts. Also, on average, the evidence for the second hop and the full multi-hop traversal is rather moderate and only substantial for the first hop. Moreover, we find a clear scaling trend with increasing model size for the first hop of reasoning but not for the second hop.

대규모 언어 모델(LLM)이 "The mother of the singer of 'Superstition' is"와 같은 복잡한 프롬프트를 통해 잠재적으로 다중 홉 추론을 수행하는지 연구합니다. LLM이 (1) 잠재적으로 '_bridge entity_'인 스티비 원더의 '수퍼스티션'의 가수로 잠재적으로 식별하고, (2) 스티비 원더의 어머니에 대한 지식을 사용하여 프롬프트를 완료하는 잠재적 추론 경로의 증거를 찾습니다. 이 두 가지 홉을 개별적으로 분석하고 이들의 공동 발생을 잠재적 다중 홉 추론의 지표로 간주합니다. 첫 번째 홉의 경우, 다른 엔티티 대신 bridge entity를 간접적으로 언급하도록 프롬프트를 변경하면 bridge entity에 대한 LLM의 내부 리콜이 증가하는지 테스트합니다. 두 번째 홉의 경우, 이 리콜을 증가시키면 LLM이 bridge entity에 대해 알고 있는 것을 더 잘 활용하는지 테스트합니다. 특정 관계 유형의 프롬프트에 대해 잠재적 다중 홉 추론의 강력한 증거를 발견했으며, 이 추론 경로가 프롬프트의 80% 이상에서 사용되었습니다. 그러나 활용도는 프롬프트 유형에 따라 크게 달라지는 등 상황에 따라 크게 달라집니다. 또한, 평균적으로 두 번째 홉과 전체 다중 홉 횡단에 대한 증거는 다소 보통이며 첫 번째 홉에만 상당합니다. 또한 추론의 첫 번째 홉에서는 모델 크기가 증가함에 따라 확실한 확장 추세를 발견했지만 두 번째 홉에서는 그렇지 않았습니다.

대규모 언어 모델(LLM)이 "The mother of the singer of 'Superstition' is"와 같은 복잡한 프롬프트를 통해 잠재적으로 다중 홉 추론을 수행하는지 연구합니다. LLM이 (1) 잠재적으로 '_브리지 엔티티'인 스티비 원더의 '수퍼스티션'의 가수로 잠재적으로 식별하고, (2) 스티비 원더의 어머니에 대한 지식을 사용하여 프롬프트를 완료하는 잠재적 추론 경로의 증거를 찾습니다. 이 두 가지 홉을 개별적으로 분석하고 이들의 공동 발생을 잠재적 다중 홉 추론의 지표로 간주합니다. 첫 번째 홉의 경우, 다른 엔티티 대신 다리 엔티티를 간접적으로 언급하도록 프롬프트를 변경하면 다리 엔티티에 대한 LLM의 내부 리콜이 증가하는지 테스트합니다. 두 번째 홉의 경우, 이 리콜을 증가시키면 LLM이 브리지 엔티티에 대해 알고 있는 것을 더 잘 활용하는지 테스트합니다. 특정 관계 유형의 프롬프트에 대해 잠재적 다중 홉 추론의 강력한 증거를 발견했으며, 이 추론 경로가 프롬프트의 80% 이상에서 사용되었습니다. 그러나 활용도는 프롬프트 유형에 따라 크게 달라지는 등 상황에 따라 크게 달라집니다. 또한, 평균적으로 두 번째 홉과 전체 다중 홉 횡단에 대한 증거는 다소 보통이며 첫 번째 홉에만 상당합니다. 또한 추론의 첫 번째 홉에서는 모델 크기가 증가함에 따라 확실한 확장 추세를 발견했지만 두 번째 홉에서는 그렇지 않았습니다.

\(\bullet\)_Formatting design._ As an important factor, the design of natural language format also highly impacts the generalization performance of LLMs [88]. Typically, we can add task descriptions and optional demonstrations to the input-output pairs of existing datasets, where the task description is the most key part for LLMs to understand the task [88]. Further, it can lead to substantial improvements by using an appropriate number of exemplars as demonstrations [69], which also alleviates the model sensitivity to instruction engineering [67, 69]. However, incorporating other components (_e.g.,_ things to avoid, reasons, and suggestions) into instructions may have a negligible or even adverse effect on the performance of LLMs [88, 166]. Recently, to elicit the step-by-step reasoning ability of LLMs, some work [69] proposes to include chain-of-thought (CoT) examples for some reasoning datasets, such as arithmetic reasoning. It has been shown that fine-tuning LLMs with both CoT and non-CoT examples can lead to a good performance across various reasoning tasks, including those that require multi-hop reasoning ability (_e.g.,_ commonsense question answering and arithmetic reasoning) as well as those without the need for such a reasoning way (_e.g.,_ sentiment analysis and extractive question answering) [69, 95].

\(\bullet\)_포맷 디자인._ 자연어 형식의 디자인도 LLM의 일반화 성능에 큰 영향을 미치는 중요한 요소입니다[88]. 일반적으로 기존 데이터 세트의 입력-출력 쌍에 작업 설명과 선택적 데모를 추가할 수 있으며, 여기서 작업 설명은 LLM이 작업을 이해하는 데 가장 중요한 부분입니다[88]. 또한 적절한 수의 예시를 데모로 사용하면 상당한 개선 효과를 얻을 수 있으며[69], 이는 모델이 Instruction 엔지니어링에 대한 민감도를 완화하는 데에도 도움이 됩니다[67, 69]. 그러나 Instruction에 다른 구성 요소(_예:_ 피해야 할 사항, 이유 및 제안)를 포함하면 LLM의 성능에 미미하거나 심지어 부정적인 영향을 미칠 수 있습니다[88, 166]. 최근에는 LLM의 단계별 추론 능력을 이끌어내기 위해 산술 추론과 같은 일부 추론 데이터 세트에 대해 Chain-of-Thought (CoT) 예제를 포함하도록 제안하는 작업[69]이 제안되었습니다. CoT와 비 CoT 예제를 모두 사용하여 LLM을 Fine-tuning하면 다중 홉 추론 능력이 필요한 작업(예: 상식 질문 답변 및 산술 추론)과 그러한 추론 방식이 필요하지 않은 작업(예: 감정 분석 및 추출형 질문 답변)을 포함한 다양한 추론 작업에서 좋은 성능을 발휘할 수 있음이 입증되었습니다[69, 95].

\(\bullet\)_포맷 디자인._ 자연어 형식의 디자인도 LLM의 일반화 성능에 큰 영향을 미치는 중요한 요소입니다[88]. 일반적으로 기존 데이터 세트의 입력-출력 쌍에 작업 설명과 선택적 데모를 추가할 수 있으며, 여기서 작업 설명은 LLM이 작업을 이해하는 데 가장 중요한 부분입니다[88]. 또한 적절한 수의 예시를 데모로 사용하면 상당한 개선 효과를 얻을 수 있으며[69], 이는 모델이 지시 엔지니어링에 대한 민감도를 완화하는 데에도 도움이 됩니다[67, 69]. 그러나 지침에 다른 구성 요소(_예:_ 피해야 할 사항, 이유 및 제안)를 포함하면 LLM의 성능에 미미하거나 심지어 부정적인 영향을 미칠 수 있습니다[88, 166]. 최근에는 LLM의 단계별 추론 능력을 이끌어내기 위해 산술 추론과 같은 일부 추론 데이터 세트에 대해 생각의 사슬(CoT) 예제를 포함하도록 제안하는 작업[69]이 제안되었습니다. CoT와 비 CoT 예제를 모두 사용하여 LLM을 미세 조정하면 다중 홉 추론 능력이 필요한 작업(예: 상식 질문 답변 및 산술 추론)과 그러한 추론 방식이 필요하지 않은 작업(예: 감정 분석 및 추출형 질문 답변)을 포함한 다양한 추론 작업에서 좋은 성능을 발휘할 수 있음이 입증되었습니다[69, 95].

Learning to plan in synthetic environments.An important feature of the agent in Autonomous Machine Intelligence (LeCun, 2022) is planning--an ability of decomposing complex tasks into subtasks and finishing the subtasks in a reward-optimal way (Kambhampati et al., 2024). Synthetic data can be a valuable tool here as it can serve as the feedback signal collected from a simulator (Park et al., 2023), and learning on it can make the agent aware of affordances (Ahn et al., 2022; Liang et al., 2022). For example, Inner Monologue (Huang et al., 2022) leverages natural language form feedback generated by the simulated environment to teach LLM-based robots planning. They find that such feedback significantly improves high-level instruction completion on both simulated and real-world domains. To compose a large number of realistic planning tasks (e.g., _"Rearrange objects on a table to match a given scene."_), VIMA (Jiang et al., 2022) creates a multi-modality simulated environment called VIMA-Bench, which supports extensible collections of objects and textures. In the Minecraft game, Voyager (Wang et al., 2023) deploys a number of GPT-4 based agents to interact with the synthetic environment and finds that the agents can unlock new skills faster and complete planning more efficiently with the help of synthetic feedback.

합성 환경에서 계획하는 방법을 배우는 것. Autonomous Machine Intelligence(LeCun, 2022)에서 에이전트의 중요한 특징 중 하나는 복잡한 작업을 하위 작업으로 분해하고 보상 최적의 방식으로 하위 작업을 완료하는 계획 능력(Kambhampati et al., 2024)입니다. Synthetic data는 시뮬레이터에서 수집한 피드백 신호로 사용할 수 있기 때문에 여기서 유용한 도구가 될 수 있으며(Park et al., 2023), 이를 학습하면 에이전트가 affordances를 인식할 수 있습니다(Ahn et al., 2022; Liang et al., 2022). 예를 들어, Inner Monologue(Huang et al., 2022)는 시뮬레이션된 환경에서 생성된 자연어 형식의 피드백을 활용하여 LLM 기반 로봇의 계획을 가르칩니다. 이러한 피드백은 시뮬레이션 및 실제 도메인 모두에서 상위 수준의 instruction 완료를 크게 향상시키는 것으로 나타났습니다. 다양한 사례(예: _"주어진 장면과 일치하도록 테이블 위의 물체를 재배치하세요."_)의 사실적인 계획 작업을 구성하기 위해 VIMA(Jiang et al., 2022)는 확장 가능한 물체 및 텍스처 컬렉션을 지원하는 멀티모달리티 시뮬레이션 환경인 VIMA-Bench를 생성했습니다. 마인크래프트 게임에서 Voyager(Wang et al., 2023)는 여러 개의 GPT-4 기반 에이전트를 배포하여 합성 환경과 상호 작용하고, 에이전트가 synthetic feedback의 도움을 받아 새로운 스킬을 더 빨리 잠금 해제하고 계획을 더 효율적으로 완료할 수 있다는 사실을 발견했습니다.

합성 환경에서 계획하는 방법을 배우는 것.자율 머신 인텔리전스(LeCun, 2022)에서 에이전트의 중요한 특징 중 하나는 복잡한 작업을 하위 작업으로 분해하고 보상 최적의 방식으로 하위 작업을 완료하는 계획 능력(Kambhampati et al., 2024)입니다. 합성 데이터는 시뮬레이터에서 수집한 피드백 신호로 사용할 수 있기 때문에 여기서 유용한 도구가 될 수 있으며(Park et al., 2023), 이를 학습하면 에이전트가 어포던스를 인식할 수 있습니다(Ahn et al., 2022; Liang et al., 2022). 예를 들어, 이너 모놀로그(Huang et al., 2022)는 시뮬레이션된 환경에서 생성된 자연어 형식의 피드백을 활용하여 LLM 기반 로봇의 계획을 가르칩니다. 이러한 피드백은 시뮬레이션 및 실제 도메인 모두에서 상위 수준의 지침 완료를 크게 향상시키는 것으로 나타났습니다. 다양한 사례(예: _"주어진 장면과 일치하도록 테이블 위의 물체를 재배치하세요."_)의 사실적인 계획 작업을 구성하기 위해 VIMA(Jiang et al., 2022)는 확장 가능한 물체 및 텍스처 컬렉션을 지원하는 멀티모달리티 시뮬레이션 환경인 VIMA-Bench를 생성했습니다. 마인크래프트 게임에서 Voyager(Wang et al., 2023)는 여러 개의 GPT-4 기반 에이전트를 배포하여 합성 환경과 상호 작용하고, 에이전트가 합성 피드백의 도움을 받아 새로운 스킬을 더 빨리 잠금 해제하고 계획을 더 효율적으로 완료할 수 있다는 사실을 발견했습니다.

We conduct a systematic study on the premise order effect using a variety of SoTA LLMs, including GPT-4-turbo, GPT-3.5-turbo (OpenAI, 2023), PaLM 2-L (Google, 2023), and Gemini Pro (Gemini, 2023). Our primary focus is deductive reasoning, and we benchmark all LLMs on problems that only involve _modus ponens_ (if P then Q; P; therefore Q), where all LLMs in our evaluation at least achieve decent performance with a small number of premises. We show that the accuracy decrease caused by different ordering can be more than 30%. The ordering effect is further amplified when irrelevant premises (i.e., premises that are not needed to derive a conclusion) are presented in the prompt. Figure 1 illustrates a failure case, where all LLMs fail to generate the proof after changing the order of relevant rules. Interestingly, while all LLMs perform best when the premise order follows the ground truth proof, they reveal different preferences on other alternative orderings. Specifically, compared to randomly ordering the premises, GPT-4-turbo and GPT-3.5-turbo generally achieve betterperformance when the premise order is exactly the reverse of the ground truth proof, which enables LLMs to perform derivation via backward chaining. On the other hand, PaLM 2-L generally achieves the **worst performance** with such a reversed order.

GPT-4-turbo, GPT-3.5-turbo (OpenAI, 2023), PaLM 2-L (Google, 2023), Gemini Pro (Gemini, 2023) 등 다양한 SoTA LLM을 사용하여 전제 순서 효과에 대한 체계적인 연구를 수행합니다. 우리의 주요 초점은 연역적 추론이며, 모든 LLM이 적어도 소수의 전제만으로도 적절한 성능을 달성하는 _modus ponens_ (if P then Q; P; therefore Q)만 포함하는 문제에 대해 모든 LLM을 벤치마킹합니다. 서로 다른 순서로 인한 정확도 감소는 30% 이상일 수 있습니다. 관련 없는 전제(즉, 결론을 도출하는 데 필요하지 않은 전제)가 prompt에 제시되면 순서 효과는 더욱 증폭됩니다. 그림 1은 모든 LLM이 관련 규칙의 순서를 변경한 후 증명을 생성하지 못하는 실패 사례를 보여줍니다. 흥미롭게도 모든 LLM이 전제 순서가 실측 증명을 따를 때 가장 우수한 성능을 발휘하지만, 다른 대체 순서에 대해서는 서로 다른 선호도를 드러냅니다. 특히, 전제를 무작위로 정렬하는 것에 비해 GPT-4-turbo 및 GPT-3.5-turbo는 일반적으로 전제 순서가 실측 증명의 정확한 반대일 때 더 나은 성능을 달성하며, 이를 통해 LLM은 역방향 체인으로 도출을 수행할 수 있습니다. 반면에 PaLM 2-L은 일반적으로 이러한 역순으로 **최악의 성능**을 달성합니다.

GPT-4-turbo, GPT-3.5-turbo(OpenAI, 2023), PaLM 2-L(Google, 2023), Gemini Pro(Gemini, 2023) 등 다양한 SoTA LLM을 사용하여 전제 순서 효과에 대한 체계적인 연구를 수행합니다. 우리의 주요 초점은 연역적 추론이며, 모든 LLM이 적어도 소수의 전제만으로도 적절한 성능을 달성하는 _모두스 포넨스_(P이면 Q; P; 따라서 Q)만 포함하는 문제에 대해 모든 LLM을 벤치마킹합니다. 서로 다른 순서로 인한 정확도 감소는 30% 이상일 수 있습니다. 관련 없는 전제(즉, 결론을 도출하는 데 필요하지 않은 전제)가 프롬프트에 제시되면 순서 효과는 더욱 증폭됩니다. 그림 1은 모든 LLM이 관련 규칙의 순서를 변경한 후 증명을 생성하지 못하는 실패 사례를 보여줍니다. 흥미롭게도 모든 LLM이 전제 순서가 실측 증명을 따를 때 가장 우수한 성능을 발휘하지만, 다른 대체 순서에 대해서는 서로 다른 선호도를 드러냅니다. 특히, 전제를 무작위로 정렬하는 것에 비해 GPT-4-turbo 및 GPT-3.5-turbo는 일반적으로 전제 순서가 실측 증명의 정확한 반대일 때 더 나은 성능을 달성하며, 이를 통해 LLM은 역방향 체인으로 도출을 수행할 수 있습니다. 반면에 PaLM 2-L은 일반적으로 이러한 역순으로 **최악의 성능**을 달성합니다.

The State Space Model originates from Kalman filtering [35] which mainly introduces a linear filtering and prediction method. Kalman filtering can be divided into two steps, i.e., the prediction and correction step. The prediction is to estimate the current state based on the state of the previous time, and the correction is to estimate the optimal state by integrating the estimated state and the observed state of the current time. The State Space Model is a mathematical model that describes the behavior of a dynamic system using a set of first-order differential equations (continuous-time systems) or difference equations (discrete-time systems) to represent the evolution of the internal state of the system, and another set of equations to describe the relationship between the state and the output of the system. These equations can be expressed in matrix and vector form to deal with multivariable systems. Subsequently, Gu et al. [34] introduces a Linear State Space Layer (LSSL) that combines the advantages of recurrent neural networks (RNNs), temporal convolutional networks, and neural differential equations (NDEs) while addressing their shortcomings in model power and computational efficiency. This new sequence model is inspired by control systems and implemented through the linear state space layer (LSSL).

상태 공간 모델은 주로 선형 필터링 및 예측 방법을 소개하는 Kalman filtering[35]에서 유래했습니다. Kalman filtering은 예측 단계와 보정 단계의 두 단계로 나눌 수 있습니다. 예측은 이전 시간의 상태를 기반으로 현재 상태를 추정하는 것이며, 보정은 추정된 상태와 현재 시간의 관측 상태를 통합하여 최적의 상태를 추정하는 것입니다. 상태 공간 모델은 동적 시스템의 동작을 설명하는 수학적 모델로, 시스템의 내부 상태의 진화를 나타내는 일련의 1차 미분 방정식(연속 시간 시스템) 또는 차이 방정식(불연속 시간 시스템)과 상태와 시스템의 출력 간의 관계를 설명하는 또 다른 방정식으로 구성됩니다. 이러한 방정식은 행렬과 벡터 형식으로 표현하여 다변수 시스템을 처리할 수 있습니다. 이어서 Gu 등[34]은 순환 신경망(RNN), temporal convolutional networks, neural differential equations (NDE)의 장점을 결합하면서 모델 성능과 계산 효율성의 단점을 해결한 Linear State Space Layer (LSSL)을 소개했습니다. 이 새로운 시퀀스 모델은 제어 시스템에서 영감을 얻어 Linear State Space Layer (LSSL)을 통해 구현되었습니다.

상태 공간 모델은 주로 선형 필터링 및 예측 방법을 소개하는 칼만 필터링[35]에서 유래했습니다. 칼만 필터링은 예측 단계와 보정 단계의 두 단계로 나눌 수 있습니다. 예측은 이전 시간의 상태를 기반으로 현재 상태를 추정하는 것이며, 보정은 추정된 상태와 현재 시간의 관측 상태를 통합하여 최적의 상태를 추정하는 것입니다. 상태 공간 모델은 동적 시스템의 동작을 설명하는 수학적 모델로, 시스템의 내부 상태의 진화를 나타내는 일련의 1차 미분 방정식(연속 시간 시스템) 또는 차이 방정식(불연속 시간 시스템)과 상태와 시스템의 출력 간의 관계를 설명하는 또 다른 방정식으로 구성됩니다. 이러한 방정식은 행렬과 벡터 형식으로 표현하여 다변수 시스템을 처리할 수 있습니다. 이어서 Gu 등[34]은 순환 신경망(RNN), 시간적 컨볼루션 네트워크, 신경 미분 방정식(NDE)의 장점을 결합하면서 모델 성능과 계산 효율성의 단점을 해결한 선형 상태 공간 계층(LSSL)을 소개했습니다. 이 새로운 시퀀스 모델은 제어 시스템에서 영감을 얻어 선형 상태 공간 계층(LSSL)을 통해 구현되었습니다.

\begin{table} \begin{tabular}{l|l} \hline \hline \multicolumn{1}{c}{**Transformation**} & \multicolumn{1}{c}{**Training example**} \\ \hline None & Cruise was born on July 3, 1962, in Syracuse, New York, to Mary \\ & Lee Pfeiffer. \\ \hline Word reversal & Preiffer Lee Mary to, York New, Syracuse in, 1962, 3 July on born \\ & was Cruise \\ \hline Entity-preserving reversal & Mary Lee Pfeiffer to, Syracuse, New York in, 1962, 3 July on born \\ & was Cruise \\ \hline Random segment reversal & [REV] York, to Mary Lee Pfeiffer. [REV] in Syracuse, New [REV] \\ & on July 3, 1962, [REV] born [REV] Cruise was \\ \hline \hline \end{tabular} \end{table} Table 2: **Reversal transformations: examples of different reversal types on a given string. In practice, training examples can be much longer (e.g., entire documents during pre-training). The language model is still trained left-to-right on such transformations, and in the word reversal case is essentially predicting the sentence backwards (right-to-left) starting from the last word. The entities which have their word ordering preserved are highlighted by underlines. In random segment reversal, the segments are separated by “[REV]”. _Reverse training_ on both the standard (”None” transformation) and reversed examples, hence doubling the amount of training tokens.

\begin{table} \begin{tabular}{l|l} \hline \hline \multicolumn{1}{c}{**Transformation**} & \multicolumn{1}{c}{**Training example**} \\ \hline None & 크루즈는 1962년 7월 3일 뉴욕주 시러큐스에서 메리 \\ & 리 파이퍼. \\ \hline Word reversal & Preiffer Lee Mary to, 뉴욕주 시러큐스, 1962년 7월 3일생 \\ & was Cruise \\ \hline Entity-preserving reversal & Mary Lee Pfeiffer to, 뉴욕주 시러큐스, 1962년 7월 3일생 \\ & was Cruise \\ \hline Random segment reversal & [REV] 뉴욕, 메리 리 파이퍼에게. [REV] 시러큐스에서, 뉴욕 [REV] \\ & 1962년 7월 3일, [REV] 크루즈가 [REV] 태어났습니다 \\ \hline \hline \end{tabular} \end{table} 표 2: **Reversal transformations: 주어진 문자열에 대한 다양한 역변환 유형의 예시. 실제로 Training examples는 훨씬 더 길 수 있습니다(예: 사전 훈련 중 전체 문서). The language model은 이러한 변환에 대해 여전히 왼쪽에서 오른쪽으로 훈련되며, 단어 반전의 경우 마지막 단어부터 시작하여 문장을 거꾸로(오른쪽에서 왼쪽으로) 예측하는 것입니다. 단어 순서가 유지되는 엔티티는 밑줄로 강조 표시됩니다. 무작위 세그먼트 반전의 경우 세그먼트는 "[REV]"로 구분됩니다. 표준("None" 변환)과 반전된 예제 모두에 대해 _Reverse training_을 수행하여 훈련 토큰의 양을 두 배로 늘립니다.

\begin{table} \begin{tabular}{l|l} \hline \hline \multicolumn{1}{c}{**변환**} & \multicolumn{1}{c}{**훈련 예시**} \\ \hline 없음 & 크루즈는 1962년 7월 3일 뉴욕주 시러큐스에서 메리 \\ & 리 파이퍼. \\ \hline 단어 반전 & Preiffer Lee Mary to, 뉴욕주 시러큐스, 1962년 7월 3일생 \\ & was Cruise \\ \hline 엔티티 보존 반전 & Mary Lee Pfeiffer to, 뉴욕주 시러큐스, 1962년 7월 3일생 \\ & was Cruise \\ \hline 무작위 세그먼트 반전 & [REV] 뉴욕, 메리 리 파이퍼에게. [REV] 시러큐스에서, 뉴욕 [REV] \\ & 1962년 7월 3일, [REV] 크루즈가 [REV] 태어났습니다 \\ \hline \hline \end{tabular} \end{table} 표 2: **역변환: 주어진 문자열에 대한 다양한 역변환 유형의 예시. 실제로 훈련 예는 훨씬 더 길 수 있습니다(예: 사전 훈련 중 전체 문서). 언어 모델은 이러한 변환에 대해 여전히 왼쪽에서 오른쪽으로 훈련되며, 단어 반전의 경우 마지막 단어부터 시작하여 문장을 거꾸로(오른쪽에서 왼쪽으로) 예측하는 것입니다. 단어 순서가 유지되는 엔티티는 밑줄로 강조 표시됩니다. 무작위 세그먼트 반전의 경우 세그먼트는 "[REV]"로 구분됩니다. 표준("없음" 변환)과 반전된 예제 모두에 대해 _역방향 훈련_을 수행하여 훈련 토큰의 양을 두 배로 늘립니다.

History-taking and the clinical interview are widely taught in both medical schools' and postgraduate curricula [37, 38, 39, 40, 41, 42]. Consensus on physician-patient communication has evolved to embrace patient-centred communication practices, with recommendations that communication in clinical encounters should address six core functions: fostering the relationship, gathering information, providing information, making decisions, responding to emotions and enabling disease- and treatment-related behavior [43, 44, 20]. Specific skills and behaviours for meeting these goals have also been described, taught and assessed [45, 20] with validated tools [45]. Medical conventions consistently cite that certain categories of information should be gathered during a clinical interview, comprising topics such as the presenting complaint, past medical history and medication history, social and family history, and systems review [46, 47]. Clinicians' ability to meet these goals is commonly assessed using the framework of an objective structured clinical examination (OSCE) [31, 32, 33]. Such assessments vary in their reproducibility or implementation and have even been adapted for remote practice as virtual OSCEs (vOSCEs) with telemedical scenarios, an issue of particular relevance during the COVID-19 pandemic [48].

병력 청취 및 임상 면담은 의과대학 및 대학원 과정에서 널리 가르치고 있습니다[37, 38, 39, 40, 41, 42]. 의사-환자 커뮤니케이션에 대한 합의는 환자 중심의 커뮤니케이션 관행을 수용하기 위해 진화하여 임상 만남에서 커뮤니케이션이 6가지 핵심 기능을 다루어야 한다는 권장 사항을 제시했습니다: 관계 조성, 정보 수집, 정보 제공, 의사 결정, 감정에 대한 대응, 질병 및 치료 관련 행동 가능[43, 44, 20]. 이러한 목표를 달성하기 위한 구체적인 기술과 행동도 검증된 도구[45]를 통해 설명되고, 가르치고, 평가되었습니다[45, 20]. 의학 규칙은 임상 면담 중에 제시되는 불만, 과거 병력 및 약물 복용력, 사회 및 가족력, 시스템 검토와 같은 주제로 구성된 특정 범주의 정보를 수집해야 한다고 일관되게 규정하고 있습니다[46, 47]. 이러한 목표를 달성하는 임상의의 능력은 일반적으로 객관적 구조화된 임상 검사(Objective Structured Clinical Examination, OSCE)의 프레임워크를 사용하여 평가됩니다[31, 32, 33]. 이러한 평가는 재현성 또는 구현 방식이 다양하며, 심지어 COVID-19 팬데믹 기간 동안 특히 관련성이 높은 원격 진료 시나리오를 통해 가상 OSCE(virtual OSCE, vOSCE)로 개조되기도 했습니다[48].

병력 청취 및 임상 면담은 의과대학 및 대학원 과정에서 널리 가르치고 있습니다[37, 38, 39, 40, 41, 42]. 의사-환자 커뮤니케이션에 대한 합의는 환자 중심의 커뮤니케이션 관행을 수용하기 위해 진화하여 임상 만남에서 커뮤니케이션이 6가지 핵심 기능을 다루어야 한다는 권장 사항을 제시했습니다: 관계 조성, 정보 수집, 정보 제공, 의사 결정, 감정에 대한 대응, 질병 및 치료 관련 행동 가능[43, 44, 20]. 이러한 목표를 달성하기 위한 구체적인 기술과 행동도 검증된 도구[45]를 통해 설명되고, 가르치고, 평가되었습니다[45, 20]. 의학 규칙은 임상 면담 중에 제시되는 불만, 과거 병력 및 약물 복용력, 사회 및 가족력, 시스템 검토와 같은 주제로 구성된 특정 범주의 정보를 수집해야 한다고 일관되게 규정하고 있습니다[46, 47]. 이러한 목표를 달성하는 임상의의 능력은 일반적으로 객관적 구조화된 임상 검사(OSCE)의 프레임워크를 사용하여 평가됩니다[31, 32, 33]. 이러한 평가는 재현성 또는 구현 방식이 다양하며, 심지어 COVID-19 팬데믹 기간 동안 특히 관련성이 높은 원격 진료 시나리오를 통해 가상 OSCE(vOSCE)로 개조되기도 했습니다[48].

To evaluate Self-Instruct empirically, we run this framework on GPT3 (Brown et al., 2020), which is a vanilla LM (SS3). The iterative Self-Instruct process on this model leads to about 52k instructions, paired with about 82K instance inputs and target outputs. We observe that the resulting data provides a diverse range of creative tasks, as is demonstrated by examples in Figure 1. These generated tasks deviate from the distribution of typical NLP tasks, and also have fairly small overlap with the seed tasks (SS3.2). On this resulting data, we build GPT3SELF-INST by finetuning GPT3 (i.e., the same model used for generating the instruction data). We evaluate GPT3SELF-INST in comparison to various other models on both typical NLP tasks included in SuperNI (Wang et al., 2022), and a set of new instructions that are created for novel usage of instruction-following models (SS4). The results indicate that GPT3SELF-INST outperforms GPT3 (the original model) by a large margin (+33.1%) and nearly matches the performance of InstructGPT001. Moreover, our human evaluation on the newly-created instruction set shows that GPT3SELF-INST demonstrates a broad range of instruction following ability, outperforming models trained on other publicly available instruction datasets and leaving only a 5% gap behind InstructGPT001.

Self-Instruct를 경험적으로 평가하기 위해, 바닐라 LM(SS3)인 GPT3(Brown et al., 2020)에서 이 프레임워크를 실행합니다. 이 모델에 대한 반복적인 Self-Instruct 프로세스를 통해 약 52,000개의 instructions와 약 82,000개의 인스턴스 입력 및 대상 출력이 짝을 이룹니다. 그 결과 데이터는 그림 1의 예에서 볼 수 있듯이 다양한 창의적인 작업을 제공한다는 것을 관찰했습니다. 이러한 생성된 작업은 일반적인 NLP 작업의 분포에서 벗어나며, 시드 작업(SS3.2)과도 상당히 겹치지 않습니다. 이 결과 데이터를 바탕으로 GPT3(즉, instruction 데이터 생성에 사용된 동일한 모델)를 Fine-tuning하여 GPT3SELF-INST를 구축합니다. SuperNI(Wang et al., 2022)에 포함된 일반적인 NLP 작업과 instruction 모델의 새로운 사용을 위해 생성된 새로운 instruction 세트(SS4)에 대해 다양한 다른 모델과 비교하여 GPT3SELF-INST를 평가합니다. 그 결과, GPT3SELF-INST가 GPT3(원래 모델)보다 큰 폭(+33.1%)으로 성능이 뛰어나며 InstructGPT001의 성능에 거의 근접한 것으로 나타났습니다. 또한 새로 생성된 instruction 세트에 대한 인간 평가 결과, GPT3SELF-INST는 다른 공개된 instruction 데이터 세트로 훈련된 모델보다 뛰어난 광범위한 instruction 수행 능력을 보여주었으며, InstructGPT001에 비해 5%의 격차만 남겼습니다.

Self-Instruct를 경험적으로 평가하기 위해, 바닐라 LM(SS3)인 GPT3(Brown et al., 2020)에서 이 프레임워크를 실행합니다. 이 모델에 대한 반복적인 Self-Instruct 프로세스를 통해 약 52,000개의 명령어와 약 82,000개의 인스턴스 입력 및 대상 출력이 짝을 이룹니다. 그 결과 데이터는 그림 1의 예에서 볼 수 있듯이 다양한 창의적인 작업을 제공한다는 것을 관찰했습니다. 이러한 생성된 작업은 일반적인 NLP 작업의 분포에서 벗어나며, 시드 작업(SS3.2)과도 상당히 겹치지 않습니다. 이 결과 데이터를 바탕으로 GPT3(즉, 명령어 데이터 생성에 사용된 동일한 모델)를 미세 조정하여 GPT3SELF-INST를 구축합니다. SuperNI(Wang et al., 2022)에 포함된 일반적인 NLP 작업과 명령어 모델의 새로운 사용을 위해 생성된 새로운 명령어 세트(SS4)에 대해 다양한 다른 모델과 비교하여 GPT3SELF-INST를 평가합니다. 그 결과, GPT3SELF-INST가 GPT3(원래 모델)보다 큰 폭(+33.1%)으로 성능이 뛰어나며 InstructGPT001의 성능에 거의 근접한 것으로 나타났습니다. 또한 새로 생성된 명령어 세트에 대한 인간 평가 결과, GPT3SELF-INST는 다른 공개된 명령어 데이터 세트로 훈련된 모델보다 뛰어난 광범위한 명령어 수행 능력을 보여주었으며, InstructGPT001에 비해 5%의 격차만 남겼습니다.

**Action Goal**: The agent can perform actions with various objectives. Here, we present several representative examples: (1) _Task Completion_. In this scenario, the agent's actions are aimed at accomplishing specific tasks, such as crafting an iron pick-axe in Minecraft [38] or completing a function in software development [18]. These actions usually have well-defined objectives, and each action contributes to the completion of the final task. Actions aimed at this type of goal are very common in existing literature. (2) _Communication_. In this case, the actions are taken to communicate with the other agents or real humans for sharing information or collaboration. For example, the agents in ChatDev [18] may communicate with each other to collectively accomplish software development tasks. In Inner Monologue [61], the agent actively engages in communication with humans and adjusts its action strategies based on human feedback. (3) _Environment Exploration_. In this example, the agent aims to explore unfamiliar environments to expand its perception and strike a balance between exploring and exploiting. For instance, the agent in Voyager [38] may explore unknown skills in their task completion process, and continually refine the skill execution code based on environment feedback through trial and error.

**Action Goal**: 에이전트는 다양한 목표를 가진 행동을 수행할 수 있습니다. 여기서는 몇 가지 대표적인 예를 제시합니다: (1) _작업 완료_. 이 시나리오에서 에이전트의 행동은 마인크래프트 [38]에서 철 곡괭이를 제작하거나 소프트웨어 개발 [18]에서 함수를 완료하는 등 특정 작업을 완료하는 것을 목표로 합니다. 이러한 작업에는 잘 정의된 목표가 있는 경우가 많으며, 각 작업은 최종 작업 완료에 기여합니다. 이러한 유형의 목표를 위한 행동은 기존 문헌에서 매우 흔하게 볼 수 있습니다. (2) _Communication_. 이 경우, 다른 에이전트 또는 실제 사람과 정보를 공유하거나 협업하기 위해 행동을 취합니다. 예를 들어, ChatDev [18]의 에이전트는 소프트웨어 개발 작업을 공동으로 수행하기 위해 서로 소통할 수 있습니다. Inner Monologue [61]에서 에이전트는 인간과 적극적으로 소통하고 인간의 피드백을 바탕으로 행동 전략을 조정합니다. (3) _Environment Exploration_. 이 예에서 에이전트는 익숙하지 않은 환경을 탐색하여 인식을 확장하고 탐색과 착취 사이의 균형을 맞추는 것을 목표로 합니다. 예를 들어, Voyager [38]의 에이전트는 작업 완료 과정에서 알려지지 않은 스킬을 탐색하고 시행착오를 통해 환경 피드백을 바탕으로 스킬 실행 코드를 지속적으로 개선할 수 있습니다.

**액션 목표**: 에이전트는 다양한 목표를 가진 행동을 수행할 수 있습니다. 여기서는 몇 가지 대표적인 예를 제시합니다: (1) _작업 완료_. 이 시나리오에서 에이전트의 행동은 마인크래프트 [38]에서 철 곡괭이를 제작하거나 소프트웨어 개발 [18]에서 함수를 완료하는 등 특정 작업을 완료하는 것을 목표로 합니다. 이러한 작업에는 잘 정의된 목표가 있는 경우가 많으며, 각 작업은 최종 작업 완료에 기여합니다. 이러한 유형의 목표를 위한 행동은 기존 문헌에서 매우 흔하게 볼 수 있습니다. (2) _커뮤니케이션_. 이 경우, 다른 에이전트 또는 실제 사람과 정보를 공유하거나 협업하기 위해 행동을 취합니다. 예를 들어, ChatDev [18]의 에이전트는 소프트웨어 개발 작업을 공동으로 수행하기 위해 서로 소통할 수 있습니다. 내러 모놀로그 [61]에서 에이전트는 인간과 적극적으로 소통하고 인간의 피드백을 바탕으로 행동 전략을 조정합니다. (3) _환경 탐색_. 이 예에서 에이전트는 익숙하지 않은 환경을 탐색하여 인식을 확장하고 탐색과 착취 사이의 균형을 맞추는 것을 목표로 합니다. 예를 들어, Voyager [38]의 에이전트는 작업 완료 과정에서 알려지지 않은 스킬을 탐색하고 시행착오를 통해 환경 피드백을 바탕으로 스킬 실행 코드를 지속적으로 개선할 수 있습니다.

Numerous studies have extended the framework of chain-of-thought to various formats to enhance the capacity for planning further. Tree-of-Thought (Yao et al., 2023) enables LLMs to consider multiple reasoning paths in a tree and self-evaluate to determine the next course of action. In cases where global decisions are necessary, ToT allows forward or backward exploration through techniques like deep-first search or breadth-first search. Reasoning via Planning (RAP) (Hao et al., 2023) also divides the problem into a tree and explores them by Monto Carlo tree search algorithm, using LLMs as both world-model and reasoning agent. Another method, Graph of Thought (GoT) (Yao et al., 2023), employs graph nodes to represent individual thoughts and external Graph Neural Networks for organization. LLM+P (Liu et al., 2023) and LLM+DP (Dagan et al., 2023) facilitate the generation of Planning Domain Definition Language (PDDL) (Gerevini, 2020) by LLMs. PDDL assists in decomposing complex problems and utilizing specialized models for planning before converting the results into natural language for LLM processing. However, it is essential to note that these methods use tree/graph/PDDL nodes to represent thoughts, which have limitations regarding their representation forms and can only handle specific planning problems.

수많은 연구에서 연쇄 사고의 틀을 다양한 형식으로 확장하여 더 나아간 계획 능력을 향상시켰습니다. Tree-of-Thought (Yao et al., 2023)를 통해 LLMs은 트리에서 여러 추론 경로를 고려하고 자체 평가를 통해 다음 행동 방침을 결정할 수 있습니다. 전역적인 결정이 필요한 경우, ToT는 깊이 우선 검색 또는 폭 우선 검색과 같은 기술을 통해 전진 또는 후진 탐색을 허용합니다. Reasoning via Planning (RAP) (Hao et al., 2023)도 문제를 트리로 나누고 몬테카를로 트리 검색 알고리즘을 통해 탐색하며, LLMs을 월드 모델과 추론 에이전트로 모두 사용합니다. 또 다른 방법인 Graph of Thought (GoT) (Yao et al., 2023)는 그래프 노드를 사용하여 개별 생각을 표현하고 외부 Graph Neural Networks를 사용하여 구성합니다. LLM+P (Liu et al., 2023)와 LLM+DP (Dagan et al., 2023)는 LLMs이 Planning Domain Definition Language (PDDL) (Gerevini, 2020)를 생성할 수 있도록 지원합니다. PDDL은 복잡한 문제를 분해하고 계획을 위해 전문화된 모델을 활용한 다음 결과를 자연어로 변환하여 LLMs이 처리할 수 있도록 도와줍니다. 그러나 이러한 방법은 생각을 표현하기 위해 tree/graph/PDDL 노드를 사용하며, 표현 형식에 제한이 있고 특정 계획 문제만 처리할 수 있다는 점에 유의해야 합니다.

수많은 연구에서 연쇄 사고의 틀을 다양한 형식으로 확장하여 더 나아간 계획 능력을 향상시켰습니다. Tree-of-Thought(Yao et al., 2023)를 통해 LLM은 트리에서 여러 추론 경로를 고려하고 자체 평가를 통해 다음 행동 방침을 결정할 수 있습니다. 전역적인 결정이 필요한 경우, ToT는 깊이 우선 검색 또는 폭 우선 검색과 같은 기술을 통해 전진 또는 후진 탐색을 허용합니다. 계획을 통한 추론(RAP)(Hao et al., 2023)도 문제를 트리로 나누고 몬테카를로 트리 검색 알고리즘을 통해 탐색하며, LLM을 월드 모델과 추론 에이전트로 모두 사용합니다. 또 다른 방법인 생각의 그래프(GoT)(Yao et al., 2023)는 그래프 노드를 사용하여 개별 생각을 표현하고 외부 그래프 신경망을 사용하여 구성합니다. LLM+P(Liu et al., 2023)와 LLM+DP(Dagan et al., 2023)는 LLM이 계획 도메인 정의 언어(PDDL)(Gerevini, 2020)를 생성할 수 있도록 지원합니다. PDDL은 복잡한 문제를 분해하고 계획을 위해 전문화된 모델을 활용한 다음 결과를 자연어로 변환하여 LLM이 처리할 수 있도록 도와줍니다. 그러나 이러한 방법은 생각을 표현하기 위해 트리/그래프/PDDL 노드를 사용하며, 표현 형식에 제한이 있고 특정 계획 문제만 처리할 수 있다는 점에 유의해야 합니다.

One of the main challenges of LLMs is the resource gap, as they are mainly pretrained on English corpus and have limited access to data from other languages. English dominates the field of NLP as an extremely high-resource language with the most raw text data from various domains, leaving few of the over 7000 languages of the world represented in the field Joshi et al. (2020). This creates a disparity in language models' capability to handle different languages. Previous findings indicate that LLMs have difficulty comprehending and generating non-English texts, particularly in low-resource languagesNguyen et al. (2023); Zhu et al. (2023); Huang et al. (2023). To address the resource gap, several solutions have been proposed or implemented by researchers and practitioners. One possible solution is to increase the amount of data available from various languages and fields, and make it accessible for pretraining and evaluating LLMs Lin et al. (2022); Chen et al. (2022); Cahyawijaya et al. (2023). However, this approach incurs significant computational expenses and the resource gap persists. Alternatively, multilingual language models trained on texts from different languages concurrently, such as mBERT Devlin et al. (2019) and XLM-R Conneau et al. (2020), have been introduced to bridge the gap effectively.

LLM의 주요 과제 중 하나는 주로 영어 말뭉치로 pretraining되고 다른 언어의 데이터에 대한 접근성이 제한되어 있다는 점입니다. 영어는 다양한 영역의 원시 텍스트 데이터가 가장 많이 존재하는 고레소스 언어로서 NLP 분야를 지배하고 있으며, 전 세계 7000개 이상의 언어 중 이 분야에 대표되는 언어는 극히 일부에 불과합니다 Joshi et al. (2020). 이로 인해 다양한 언어를 처리하는 언어 모델의 능력에 차이가 생깁니다. 이전 연구에 따르면 LLM은 특히 저자원 언어에서 영어가 아닌 텍스트를 이해하고 생성하는 데 어려움을 겪는 것으로 나타났습니다Nguyen et al. (2023); Zhu et al. (2023); Huang et al. (2023). 리소스 격차를 해소하기 위해 연구자와 실무자들이 여러 가지 해결책을 제안하거나 구현하고 있습니다. 한 가지 가능한 해결책은 다양한 언어와 분야에서 사용할 수 있는 데이터의 양을 늘리고 이를 LLM pretraining 및 평가에 사용할 수 있도록 하는 것입니다 Lin et al. (2022); Chen et al. (2022); Cahyawijaya et al. (2023). 그러나 이러한 접근 방식은 상당한 계산 비용이 소요되며 리소스 격차는 지속됩니다. 또는 mBERT Devlin et al.과 같이 다양한 언어의 텍스트에 대해 동시에 학습된 다국어 언어 모델이 소개되었습니다. (2019) 및 XLM-R Conneau et al. (2020)을 통해 격차를 효과적으로 해소했습니다.

LLM의 주요 과제 중 하나는 주로 영어 말뭉치로 사전 학습되고 다른 언어의 데이터에 대한 접근성이 제한되어 있다는 점입니다. 영어는 다양한 영역의 원시 텍스트 데이터가 가장 많이 존재하는 고레소스 언어로서 NLP 분야를 지배하고 있으며, 전 세계 7000개 이상의 언어 중 이 분야에 대표되는 언어는 극히 일부에 불과합니다 Joshi et al. (2020). 이로 인해 다양한 언어를 처리하는 언어 모델의 능력에 차이가 생깁니다. 이전 연구에 따르면 LLM은 특히 저자원 언어에서 영어가 아닌 텍스트를 이해하고 생성하는 데 어려움을 겪는 것으로 나타났습니다Nguyen et al. (2023); Zhu et al. (2023); Huang et al. (2023). 리소스 격차를 해소하기 위해 연구자와 실무자들이 여러 가지 해결책을 제안하거나 구현하고 있습니다. 한 가지 가능한 해결책은 다양한 언어와 분야에서 사용할 수 있는 데이터의 양을 늘리고 이를 LLM 사전 학습 및 평가에 사용할 수 있도록 하는 것입니다 Lin et al. (2022); Chen et al. (2022); Cahyawijaya et al. (2023). 그러나 이러한 접근 방식은 상당한 계산 비용이 소요되며 리소스 격차는 지속됩니다. 또는 mBERT Devlin et al.과 같이 다양한 언어의 텍스트에 대해 동시에 학습된 다국어 언어 모델이 소개되었습니다. (2019) 및 XLM-R Conneau et al. (2020)을 통해 격차를 효과적으로 해소했습니다.

\(\bullet\)_Safety and alignment._ Safety and alignment has been widely discussed in LLMs, which aim to regulate the behaviors of models by technical approaches [66]. This topic is also important to MLLMs. Even a highly advanced MLLM (_e.g.,_ GPT-4V [133]) can be susceptible to safety issues. For example, GPT-4V might occasionally exhibit factual inaccuracies and baseless inferences about images. In some cases, it may even generate harmful content targeting specific individuals or groups [133]. Furthermore, open-sourced MLLMs are also prone to generate hallucinated response [844] and can be easily manipulated to produce harmful content [858]. To address the aforementioned issues, some studies collect specialized visual instructions to mitigate the problem of hallucination [834]. Another alternative approach is to train a revision model to rectify hallucinated response generated by MLLMs in a post-hoc way [859]. Additionally, aligning MLLMs with RLHF can also assist MLLMs in generating responses with improved factuality [860]. Despite these efforts, existing alignment techniques for MLLMs mainly concentrate on several specific aspects (_e.g.,_ hallucination), lacking a comprehensive consideration of alignment criteria. More efforts should be made to promote the research of safety and alignment for MLLMs.

\(\bullet\)_안전 및 정렬._ 안전 및 정렬은 기술적 접근 방식[66]을 통해 모델의 행동을 규제하는 것을 목표로 하는 LLM에서 널리 논의되어 왔습니다. 이 주제는 MLLM에도 중요합니다. 고도로 발전된 MLLM(_예:_ GPT-4V [133])도 안전 문제에 취약할 수 있습니다. 예를 들어, GPT-4V는 때때로 이미지에 대한 사실적 부정확성과 근거 없는 추론을 보일 수 있습니다. 경우에 따라 특정 개인이나 집단을 대상으로 하는 유해한 콘텐츠를 생성할 수도 있습니다 [133]. 또한 오픈 소스 MLLM은 hallucinated response를 생성하기 쉽고 [844] 유해한 콘텐츠를 생성하도록 쉽게 조작될 수 있습니다 [858]. 앞서 언급한 문제를 해결하기 위해 일부 연구에서는 hallucination 문제를 완화하기 위해 특수한 시각적 instructions를 수집합니다 [834]. 또 다른 대안 접근 방식은 사후 방식으로 MLLM에서 생성된 hallucinated response를 수정하기 위해 revision 모델을 훈련하는 것입니다 [859]. 또한 RLHF와 MLLM을 조정하면 사실성이 향상된 응답을 생성하는 데 도움이 될 수 있습니다 [860]. 이러한 노력에도 불구하고 MLLM에 대한 기존의 alignment 기법은 주로 몇 가지 특정 측면(_예:_ hallucination)에 집중되어 있으며, alignment 기준에 대한 포괄적인 고려가 부족합니다. MLLM의 안전 및 alignment 연구를 촉진하기 위해 더 많은 노력을 기울여야 합니다.

\(\bullet\)_안전 및 정렬._ 안전 및 정렬은 기술적 접근 방식[66]을 통해 모델의 행동을 규제하는 것을 목표로 하는 LLM에서 널리 논의되어 왔습니다. 이 주제는 MLLM에도 중요합니다. 고도로 발전된 MLLM(_예:_ GPT-4V [133])도 안전 문제에 취약할 수 있습니다. 예를 들어, GPT-4V는 때때로 이미지에 대한 사실적 부정확성과 근거 없는 추론을 보일 수 있습니다. 경우에 따라 특정 개인이나 집단을 대상으로 하는 유해한 콘텐츠를 생성할 수도 있습니다 [133]. 또한 오픈 소스 MLLM은 환각성 반응을 생성하기 쉽고 [844] 유해한 콘텐츠를 생성하도록 쉽게 조작 될 수 있습니다 [858]. 앞서 언급 한 문제를 해결하기 위해 일부 연구에서는 환각 문제를 완화하기 위해 특수한 시각적 지침을 수집합니다 [834]. 또 다른 대안 접근 방식은 사후 방식으로 MLLM에서 생성 된 환각 반응을 수정하기 위해 수정 모델을 훈련하는 것입니다 [859]. 또한 RLHF와 MLLM을 조정하면 사실성이 향상된 응답을 생성하는 데 도움이 될 수 있습니다 [860]. 이러한 노력에도 불구하고 MLLM에 대한 기존의 정렬 기법은 주로 몇 가지 특정 측면(_예:_ 환각)에 집중되어 있으며, 정렬 기준에 대한 포괄적인 고려가 부족합니다. MLLM의 안전 및 정렬 연구를 촉진하기 위해 더 많은 노력을 기울여야 합니다.

the hyper-parameters settings remain the same as Stanford Alpaca. To better evaluate the instruction following ability of fine-tuned models, we consider two settings, namely _Chat setting_ and _QA setting_. The chat setting mainly utilizes user instructions and queries from daily chat, whereas the QA setting mainly employs question answering examples from existing NLP datasets. The evaluation on the chat setting is conducted based on the AlpacaFarm evaluation set [363]. Instead of using a full pairwise comparison, we select the LLaMA 7B and 13B models fine-tuned on Self-Instruct-52K as the reference baselines, and then compare them with other fine-tuned LLaMA 7B and 13B models using different instructions, respectively. Since our focus is to examine the usefulness of different strategies to generate the instructions, the model fine-tuned on Self-Instruct-52K can serve as a good reference. Following AlpacaFarm [363], for each comparison, we employ ChatGPT to automatically annotate which response from two compared models each time is the best for the user query, and report the win rate (%) as the evaluation metric. For the QA setting, we select two benchmarks, MMLU [364] and BBH [365], and evaluate the accuracy based on their default settings by using heuristic rules to parse the answers from these LLMs.

하이퍼파라미터 설정은 Stanford Alpaca와 동일하게 유지됩니다. Fine-tuned 모델의 Instruction 추종 능력을 더 잘 평가하기 위해 _Chat setting_과 _QA setting_이라는 두 가지 설정을 고려합니다. Chat setting은 주로 일상적인 채팅에서 사용자 명령과 쿼리를 활용하는 반면, QA setting은 주로 기존 NLP 데이터 세트의 question answering 예제를 활용합니다. Chat setting에 대한 평가는 AlpacaFarm 평가 세트 [363]를 기반으로 수행됩니다. 전체 쌍별 비교를 사용하는 대신 Self-Instruct-52K에서 Fine-tuned된 LLaMA 7B 및 13B 모델을 기준 기준으로 선택한 다음, 다른 Instruction을 사용하여 Fine-tuned된 다른 LLaMA 7B 및 13B 모델과 각각 비교합니다. 이 연구의 초점은 Instruction을 생성하는 다양한 전략의 유용성을 조사하는 것이므로, Self-Instruct-52K에서 Fine-tuned된 모델이 좋은 기준이 될 수 있습니다. AlpacaFarm [363]에 따라 각 비교에 대해 ChatGPT를 사용하여 비교 대상 모델에서 각각 사용자 쿼리에 가장 적합한 응답이 무엇인지 자동으로 주석을 달고, 그 비율(%)을 평가 지표로 보고합니다. QA setting의 경우 MMLU [364]와 BBH [365]라는 두 가지 벤치마크를 선택하고, 이러한 LLM에서 답변을 구문 분석하기 위해 heuristic rules를 사용하여 기본 설정을 기반으로 정확도를 평가합니다.

하이퍼파라미터 설정은 스탠포드 알파카와 동일하게 유지됩니다. 미세 조정된 모델의 명령어 추종 능력을 더 잘 평가하기 위해 _채팅 설정_과 _QA 설정_이라는 두 가지 설정을 고려합니다. 채팅 설정은 주로 일상적인 채팅에서 사용자 명령과 쿼리를 활용하는 반면, QA 설정은 주로 기존 NLP 데이터 세트의 질문 답변 예제를 활용합니다. 채팅 설정에 대한 평가는 알파카팜 평가 세트 [363]를 기반으로 수행됩니다. 전체 쌍별 비교를 사용하는 대신 Self-Instruct-52K에서 미세 조정된 LLaMA 7B 및 13B 모델을 기준 기준으로 선택한 다음, 다른 명령어를 사용하여 미세 조정된 다른 LLaMA 7B 및 13B 모델과 각각 비교합니다. 이 연구의 초점은 명령을 생성하는 다양한 전략의 유용성을 조사하는 것이므로, Self-Instruct-52K에서 미세 조정된 모델이 좋은 기준이 될 수 있습니다. 알파카팜 [363]에 따라 각 비교에 대해 ChatGPT를 사용하여 비교 대상 모델에서 각각 사용자 쿼리에 가장 적합한 응답이 무엇인지 자동으로 주석을 달고, 그 비율(%)을 평가 지표로 보고합니다. QA 설정의 경우 MMLU [364]와 BBH [365]라는 두 가지 벤치마크를 선택하고, 이러한 LLM에서 답변을 구문 분석하기 위해 휴리스틱 규칙을 사용하여 기본 설정을 기반으로 정확도를 평가합니다.

In a pioneering study, Li et al. (2022) proposed the use of retrieval techniques to enhance the quality of text-to-image generation. They conducted a comparative analysis of the quality and quantity of the generated images with mainstream models on the CUB and COCO datasets. Their findings demonstrated that all models outperformed their contemporaries. In contrast, RE-IMAGEN Chen et al. (2022) focused on assisting the model in generating images of uncommon objects through retrieval. This approach ultimately led to the achievement of exceptionally high FID scores on the COCO and WikilImage datasets. Even more groundbreaking results were obtained on the authors' own proposed EntityDrawBench benchmark, which encompasses a range of common and rare objects across multiple categories. RDM Blattmann et al. (2022), although trained in a similar manner to RE-IMAGEN, employs image features as the foundation for retrieval and is supplanted by user examples during the inference process. Consequently, RDM is capable of efficiently transferring the described artistic style to the generated images. Furthermore, in contrast to RE-IMAGEN, which employs image-text pairs for retrieval, KNN-Diffusion Sheynin et al. (2022) solely utilizes images for retrieval, resulting in a lower quality of results on the COCO dataset.

선구적인 연구에서 Li 등(2022)은 텍스트에서 이미지로 생성하는 품질을 향상시키기 위해 retrieval 기술을 사용할 것을 제안했습니다. 이들은 CUB 및 COCO 데이터 세트에서 주류 모델과 함께 생성된 이미지의 품질과 양을 비교 분석했습니다. 그 결과 모든 모델이 동급 모델보다 우수한 성능을 보였다는 사실을 입증했습니다. 이와는 대조적으로, RE-IMAGEN Chen 등(2022)은 retrieval을 통해 모델이 흔하지 않은 물체의 이미지를 생성하는 데 중점을 두었습니다. 이러한 접근 방식은 궁극적으로 COCO 및 WikilImage 데이터 세트에서 매우 높은 FID 점수를 달성하는 데 기여했습니다. 여러 카테고리에 걸쳐 다양한 일반 및 희귀 물체를 포함하는 저자들이 제안한 EntityDrawBench 벤치마크에서 더욱 획기적인 결과를 얻었습니다. RDM Blattmann 등(2022)은 RE-IMAGEN과 비슷한 방식으로 훈련되었지만 이미지 기능을 retrieval의 기반으로 사용하며 추론 과정에서 사용자 예제로 대체됩니다. 결과적으로 RDM은 설명된 예술적 스타일을 생성된 이미지에 효율적으로 전송할 수 있습니다. 또한 이미지-텍스트 쌍을 retrieval에 사용하는 RE-IMAGEN과 달리 KNN-Diffusion Sheynin 등(2022)은 retrieval에 이미지만을 사용하므로 COCO 데이터 세트에서 결과 품질이 낮아집니다.

선구적인 연구에서 Li 등(2022)은 텍스트에서 이미지로 생성하는 품질을 향상시키기 위해 검색 기술을 사용할 것을 제안했습니다. 이들은 CUB 및 COCO 데이터 세트에서 주류 모델과 함께 생성된 이미지의 품질과 양을 비교 분석했습니다. 그 결과 모든 모델이 동급 모델보다 우수한 성능을 보였다는 사실을 입증했습니다. 이와는 대조적으로, RE-IMAGEN Chen 등(2022)은 검색을 통해 모델이 흔하지 않은 물체의 이미지를 생성하는 데 중점을 두었습니다. 이러한 접근 방식은 궁극적으로 COCO 및 WikilImage 데이터 세트에서 매우 높은 FID 점수를 달성하는 데 기여했습니다. 여러 카테고리에 걸쳐 다양한 일반 및 희귀 물체를 포함하는 저자들이 제안한 EntityDrawBench 벤치마크에서 더욱 획기적인 결과를 얻었습니다. RDM Blattmann 등(2022)은 RE-IMAGEN과 비슷한 방식으로 훈련되었지만 이미지 기능을 검색의 기반으로 사용하며 추론 과정에서 사용자 예제로 대체됩니다. 결과적으로 RDM은 설명된 예술적 스타일을 생성된 이미지에 효율적으로 전송할 수 있습니다. 또한 이미지-텍스트 쌍을 검색에 사용하는 RE-IMAGEN과 달리 KNN-Diffusion Sheynin 등(2022)은 검색에 이미지만을 사용하므로 COCO 데이터 세트에서 결과 품질이 낮아집니다.

1. Publishers do not train directly on or against the benchmark dataset and retract any reported results if and when benchmark data is found to have been in training data. 2. Techniques that are likely to increase the test performance without a commensurate increase in safety factor are discouraged and may result in benchmark exclusion. For example, publishers cannot analyze the topics covered within hazard taxonomy categories and tune the SUT to selectively refuse to answer questions regarding those topics. 3. Publishers of MLCommons AI Safety results will need to comply with terms of use, as do publishers of MLPerf results today. 4. Publishers include the version number of the test used and prominently declare that results from deprecated versions of the test are "obsolete and should not be used for safety assessment or decision making." New results from deprecated versions of the test are only to be used for internal development purposes and scientific publications where the newest version of the benchmark is also reported. 5. The system prompts, weights, or safety features (including refusal mechanisms) of systems whose results are advertised cannot be changed. Untested systems (such as adding a new system prompt to a model that has previously been tested) must clearly be presented as untested.

1. 게시자는 벤치마크 데이터 세트에 대해 직접 훈련하거나 벤치마크 데이터가 훈련 데이터에 포함된 것으로 밝혀질 경우 보고된 결과를 철회하지 않습니다. 2. 안전 계수의 상응하는 증가 없이 테스트 성능을 높일 가능성이 있는 기술은 권장되지 않으며, 벤치마크 제외될 수 있습니다. 예를 들어, 게시자는 위험 분류 카테고리 내에서 다루는 주제를 분석하고 해당 주제에 관한 질문에 선택적으로 답변을 거부하도록 SUT를 조정할 수 없습니다. 3. MLCommons AI 안전 결과의 게시자는 현재 MLPerf 결과의 게시자와 마찬가지로 사용 약관을 준수해야 합니다. 4. 게시자는 사용된 테스트의 버전 번호를 포함하고 더 이상 사용되지 않는 버전의 테스트 결과는 "구식이며 안전 평가 또는 의사 결정에 사용해서는 안 된다"고 눈에 잘 띄게 표시해야 합니다. 더 이상 사용되지 않는 버전의 새 결과는 내부 개발 목적과 최신 버전의 벤치마크가 보고된 과학 간행물에만 사용할 수 있습니다. 5. 결과를 광고하는 시스템의 prompts, weights 또는 안전 기능(거부 메커니즘 포함)은 변경할 수 없습니다. 테스트되지 않은 시스템(이전에 테스트된 모델에 새 시스템 prompt를 추가하는 등)은 테스트되지 않은 것으로 명확하게 표시해야 합니다.

1. 게시자는 벤치마크 데이터 세트에 대해 직접 훈련하거나 벤치마크 데이터가 훈련 데이터에 포함된 것으로 밝혀질 경우 보고된 결과를 철회하지 않습니다. 2. 안전 계수의 상응하는 증가 없이 테스트 성능을 높일 가능성이 있는 기술은 권장되지 않으며, 벤치마크 제외될 수 있습니다. 예를 들어, 게시자는 위험 분류 카테고리 내에서 다루는 주제를 분석하고 해당 주제에 관한 질문에 선택적으로 답변을 거부하도록 SUT를 조정할 수 없습니다. 3. MLCommons AI 안전 결과의 게시자는 현재 MLPerf 결과의 게시자와 마찬가지로 사용 약관을 준수해야 합니다. 4. 게시자는 사용된 테스트의 버전 번호를 포함하고 더 이상 사용되지 않는 버전의 테스트 결과는 "구식이며 안전 평가 또는 의사 결정에 사용해서는 안 된다"고 눈에 잘 띄게 표시해야 합니다. 더 이상 사용되지 않는 버전의 새 결과는 내부 개발 목적과 최신 버전의 벤치마크가 보고된 과학 간행물에만 사용할 수 있습니다. 5. 결과를 광고하는 시스템의 프롬프트, 가중치 또는 안전 기능(거부 메커니즘 포함)은 변경할 수 없습니다. 테스트되지 않은 시스템(이전에 테스트된 모델에 새 시스템 프롬프트를 추가하는 등)은 테스트되지 않은 것으로 명확하게 표시해야 합니다.

* **HotpotQA**[198] is designed to cover a diverse and explainable question-answering dataset that necessitates multi-hop reasoning. This dataset is derived from the English Wikipedia. It consists of roughly \(113,000\) questions. Each question in the dataset comes with two paragraphs, called gold paragraphs, from two Wikipedia articles. Also, there is a list of sentences in those paragraphs that crowdworkers have picked as important for answering the question. * **ToolQA**[199] is a question answering benchmark to evaluate LLMs' ability to use external tools for answering questions. * **GPT4Tools** serves as an instructional dataset, generated by instructing advanced teachers (such as Chat-GPT), with instructions conditioned on visual content and tool descriptions. This process results in the generation of instructions related to the use of tools. There are three versions of this dataset. The first version comprises 71,000 instruction-following data points utilized to fine-tune the GPT4Tools model. The next version consists of manually cleaned instruction data used for validation, covering instructions related to the tools from the first version. The last version is cleaned instruction data used for testing and includes instructions related to some tools that are not present in the first version.

* **HotpotQA**[198]는 다중 홉 추론이 필요한 다양하고 설명 가능한 question-answering 데이터 세트를 다루도록 설계되었습니다. 이 데이터 세트는 영어 위키피디아에서 파생되었습니다. 약 113,000개의 질문으로 구성되어 있습니다. 데이터 세트의 각 질문에는 두 개의 위키백과 문서에서 골드 단락이라고 하는 두 개의 단락이 함께 제공됩니다. 또한 크라우드워커가 질문에 답하는 데 중요하다고 선택한 해당 단락의 문장 목록도 있습니다. * **ToolQA**[199]는 질문에 답하기 위해 외부 도구를 사용하는 LLM의 능력을 평가하기 위한 question-answering 벤치마크입니다. * **GPT4Tools**는 시각적 콘텐츠와 도구 설명에 따라 조건이 지정된 고급 교사(예: Chat-GPT)에게 지침을 제공하여 생성된 instructional 데이터 세트입니다. 이 과정을 통해 도구 사용과 관련된 지침이 생성됩니다. 이 데이터 세트에는 세 가지 버전이 있습니다. 첫 번째 버전은 GPT4Tools 모델을 Fine-tuning하는 데 사용되는 71,000개의 instruction-following 데이터 포인트로 구성됩니다. 두 번째 버전은 첫 번째 버전의 도구와 관련된 지침을 포함하는 검증에 사용되는 수동으로 정리된 instruction 데이터로 구성됩니다. 마지막 버전은 테스트에 사용되는 정리된 instruction 데이터이며, 첫 번째 버전에 없는 일부 도구와 관련된 지침이 포함되어 있습니다.

* **HotpotQA**[198]는 다중 홉 추론이 필요한 다양하고 설명 가능한 질문-답변 데이터 세트를 다루도록 설계되었습니다. 이 데이터 세트는 영어 위키피디아에서 파생되었습니다. 약 113,000개의 질문으로 구성되어 있습니다. 데이터 세트의 각 질문에는 두 개의 위키백과 문서에서 골드 단락이라고 하는 두 개의 단락이 함께 제공됩니다. 또한 크라우드워커가 질문에 답하는 데 중요하다고 선택한 해당 단락의 문장 목록도 있습니다. * **ToolQA**[199]는 질문에 답하기 위해 외부 도구를 사용하는 LLM의 능력을 평가하기 위한 질문 답변 벤치마크입니다. * **GPT4Tools**는 시각적 콘텐츠와 도구 설명에 따라 조건이 지정된 고급 교사(예: Chat-GPT)에게 지침을 제공하여 생성된 교육용 데이터 세트입니다. 이 과정을 통해 도구 사용과 관련된 지침이 생성됩니다. 이 데이터 세트에는 세 가지 버전이 있습니다. 첫 번째 버전은 GPT4Tools 모델을 미세 조정하는 데 사용되는 71,000개의 지침 수행 데이터 포인트로 구성됩니다. 두 번째 버전은 첫 번째 버전의 도구와 관련된 지침을 포함하는 검증에 사용되는 수동으로 정리된 지침 데이터로 구성됩니다. 마지막 버전은 테스트에 사용되는 정리된 지침 데이터이며, 첫 번째 버전에 없는 일부 도구와 관련된 지침이 포함되어 있습니다.

Motion Mamba [88], composed of Hierarchical Temporal Mambo (HTM) and Bidirectional Spatial Mamba (BSM), represents the first integration of Mamba models in the field of motion generation. HTM and BSM are designed for temporal and spatial modeling, respectively, while integrating selective scanning mechanisms into motion generation tasks. Compared with the previous diffusion-based motion generation method, which mainly uses a Transformer, motion Mamba achieves state-of-the-art (SOTA) performance. Note that the inference speed is also sped up by four times. VL-Mambo [145] is the first effort to explore the state-space model Mamba to solve the expensive computational overhead in the Transformer architecture in multimodal learning tasks. CMViM [146] focuses on the application of multimodal representation learning to 3D high-resolution medical images, especially Alzheimer's disease (AD). It is developed based on MAE [150] framework and replaces ViT [151] module with Vim [61] module, therefore, reducing complexity from quadratic to linear level. Moreover, the intra-modality and inter-modality contrastive learning methods are introduced to enhance the ability of the multimodal Vim encoder to model discriminative features in the same modality and mitigate the misaligned representation between modalities.

Motion Mamba [88]는 계층적 시간적 Mambo (HTM)와 양방향 공간 Mamba (BSM)로 구성되어 있으며, 동작 생성 분야에서 Mamba 모델을 최초로 통합한 모델입니다. HTM과 BSM은 각각 시간적 및 공간적 모델링을 위해 설계되었으며, 동작 생성 작업에 선택적 스캐닝 메커니즘을 통합합니다. Transformer를 주로 사용하는 기존의 확산 기반 동작 생성 방법과 비교하여 Motion Mamba는 state-of-the-art (SOTA) 성능을 달성합니다. 추론 속도도 4배 가속화되었습니다. VL-Mambo [145]는 멀티모달 학습 작업에서 Transformer 아키텍처의 값비싼 계산 오버헤드를 해결하기 위해 상태 공간 모델 Mamba를 탐구한 최초의 노력입니다. CMViM [146]은 멀티모달 표현 학습을 3D 고해상도 의료 이미지, 특히 알츠하이머병(AD)에 적용하는 데 중점을 둡니다. 이 모델은 MAE [150] 프레임워크를 기반으로 개발되었으며, ViT [151] 모듈을 Vim [61] 모듈로 대체하여 복잡성을 이차 수준에서 선형 수준으로 줄였습니다. 또한, 동일한 모달리티에서 변별적 특징을 모델링하는 멀티모달 Vim Encoder의 능력을 향상시키고 모달리티 간의 잘못 정렬된 표현을 완화하기 위해 모달리티 내 및 모달리티 간 대조 학습 방법을 도입했습니다.

Motion Mamba [88]는 계층적 시간적 맘바(HTM)와 양방향 공간 맘바(BSM)로 구성되어 있으며, 동작 생성 분야에서 맘바 모델을 최초로 통합한 모델입니다. HTM과 BSM은 각각 시간적 및 공간적 모델링을 위해 설계되었으며, 동작 생성 작업에 선택적 스캐닝 메커니즘을 통합합니다. 트랜스포머를 주로 사용하는 기존의 확산 기반 동작 생성 방법과 비교하여 동작 맘바는 최첨단(SOTA) 성능을 달성합니다. 추론 속도도 4배 가속화되었습니다. VL-Mambo [145]는 멀티모달 학습 작업에서 트랜스포머 아키텍처의 값비싼 계산 오버헤드를 해결하기 위해 상태 공간 모델 맘바를 탐구한 최초의 노력입니다. CMViM [146]은 멀티모달 표현 학습을 3D 고해상도 의료 이미지, 특히 알츠하이머병(AD)에 적용하는 데 중점을 둡니다. 이 모델은 MAE [150] 프레임워크를 기반으로 개발되었으며, ViT [151] 모듈을 Vim [61] 모듈로 대체하여 복잡성을 이차 수준에서 선형 수준으로 줄였습니다. 또한, 동일한 모달리티에서 변별적 특징을 모델링하는 멀티모달 빔 인코더의 능력을 향상시키고 모달리티 간의 잘못 정렬된 표현을 완화하기 위해 모달리티 내 및 모달리티 간 대조 학습 방법을 도입했습니다.

1. **Parallel rationale generation (think, Subsection 4.2)**: In parallel across \(n\) tokens \(x_{i}\) in an input sequence \(x_{0:n}\), we generate \(r\) rationales of length \(t\): \(c_{i}=(c_{i1},\dots,c_{it})\), resulting in \(n\times r\) rationale candidates. We insert learned \(<\)\(\mid\)start\(\mid\)\(>\) and \(<\)\(\mid\)end\(\mid\)\(>\) tokens to mark each rationale's start and end. 2. **Mixing post-rationale and base predictions (talk, Subsection 4.3)**: From the hidden state output after each rationale, we train a "mixing head" - a shallow MLP producing a weight determining how much the post-rationale next-token predicted logits should be incorporated compared to the base language model predicted logits. This approach eases distribution shift early in finetuning, due to introducing rationales. 3. **Optimizing rationale generation (learn, Subsection 4.4)**: We optimize the rationale generation parameters (start/end tokens and LM weights) to increase the likelihood of rationales that make future text more probable. We use REINFORCE to provide a learning signal to rationales based on their impact on future-token prediction. To reduce variance, we apply a teacher-forcing trick to include in the loss the likelihood of predicting not only the token after the thought but also later tokens.

1. **병렬 근거 생성(4.2절 참조)**: 입력 시퀀스 \(x_{0:n}\)의 \(n\) 토큰 \(x_{i}\)에 대해 병렬적으로 길이 \(t\)의 \(r\) 근거를 생성합니다: \(c_{i}=(c_{i1},\dots,c_{it})\), 결과적으로 \(n\times r\)의 근거 후보가 생성됩니다. 학습된 \(<\)\(\mid\)start\(\mid\)\(>\) 및 \(<\)\(\mid\)end\(\mid\)\(>\) 토큰을 삽입하여 각 근거의 시작과 끝을 표시합니다. 2. **사후 근거와 기본 예측 혼합(4.3절)**: 각 근거 뒤의 숨겨진 상태 출력에서, 사후 근거 다음 토큰 예측 로짓과 기본 언어 모델 예측 로짓을 비교하여 얼마나 많이 통합해야 하는지를 결정하는 가중치를 생성하는 얕은 MLP인 "믹싱 헤드"를 훈련합니다. 이 접근 방식은 근거를 도입하기 때문에 Fine-tuning 초기에 분포 이동을 쉽게 해줍니다. 3. **근거 생성 최적화(4.4절)**: 근거 생성 매개변수(시작/끝 토큰 및 LM 가중치)를 최적화하여 미래 텍스트의 가능성을 높이는 근거의 가능성을 높입니다. 향후 토큰 예측에 미치는 영향을 기반으로 근거에 학습 신호를 제공하기 위해 REINFORCE를 사용합니다. 분산을 줄이기 위해 교사 강제 트릭을 적용하여 생각 뒤의 토큰뿐만 아니라 이후 토큰을 예측할 가능성을 손실에 포함시킵니다.

1. **병렬 근거 생성(4.2절 참조)**: 입력 시퀀스 \(x_{0:n}\)의 \(n\) 토큰 \(x_{i}\)에 대해 병렬적으로 길이 \(t\)의 \(r\) 근거를 생성합니다: \(c_{i}=(c_{i1},\dots,c_{it})\), 결과적으로 \(n\times r\)의 근거 후보가 생성됩니다. 학습된 \(<\)\(\mid\)start\(\mid\)\(>\) 및 \(<\)\(\mid\)end\(\mid\)\(>\) 토큰을 삽입하여 각 근거의 시작과 끝을 표시합니다. 2. **사후 근거와 기본 예측 혼합(4.3절)**: 각 근거 뒤의 숨겨진 상태 출력에서, 사후 근거 다음 토큰 예측 로짓과 기본 언어 모델 예측 로짓을 비교하여 얼마나 많이 통합해야 하는지를 결정하는 가중치를 생성하는 얕은 MLP인 "믹싱 헤드"를 훈련합니다. 이 접근 방식은 근거를 도입하기 때문에 미세 조정 초기에 분포 이동을 쉽게 해줍니다. 3. **근거 생성 최적화(4.4절)**: 근거 생성 매개변수(시작/끝 토큰 및 LM 가중치)를 최적화하여 미래 텍스트의 가능성을 높이는 근거의 가능성을 높입니다. 향후 토큰 예측에 미치는 영향을 기반으로 근거에 학습 신호를 제공하기 위해 REINFORCE를 사용합니다. 분산을 줄이기 위해 교사 강제 트릭을 적용하여 생각 뒤의 토큰뿐만 아니라 이후 토큰을 예측할 가능성을 손실에 포함시킵니다.

Directed evaluationDirected evaluation involves principled and clearly defined evaluation of models for known risks. Typically, models are tested against a set of clearly defined prompts that have been assigned to a clear set of categories and subcategories. Benchmarks and evaluation suites are typically directed evaluation, such as [30, 31, 152, 153]. Another form of directed evaluation is testing models' Natural Language Understanding for toxic content, which involves using LMs as zero-shot or few-shot classifiers to assess whether user-generated content is a violation of safety policies. If models are good at this task, it indicates that they have a strong natural language understanding of hazardous content [154], and therefore have the potential to be safe. The primary benefit of directed evaluation is that the results are highly interpretable and standardized, which enables us to make comparisons across time and across models. However, one limitation is that since the tests are not tailored to the characteristics or capabilities of the individual models, they may not fully challenge or evaluate the unique aspects of each model. Further, it takes time to develop, release and update directed evaluation test sets, which risks them going out of date given the rapid pace of AI development [155].

지시형 평가. 지시형 평가에는 알려진 위험에 대한 모델에 대한 원칙적이고 명확하게 정의된 평가가 포함됩니다. 일반적으로 모델은 명확한 범주 및 하위 범주 집합에 할당된 명확하게 정의된 프롬프트 집합에 대해 테스트됩니다. 벤치마크 및 평가 제품군은 일반적으로 [30, 31, 152, 153]과 같은 지시형 평가입니다. 지시형 평가의 또 다른 형태는 유해 콘텐츠에 대한 모델의 Natural Language Understanding을 테스트하는 것으로, 사용자 생성 콘텐츠가 안전 정책을 위반하는지 여부를 평가하기 위해 LMs을 zero-shot 또는 few-shot 분류기로 사용하는 것을 포함합니다. 모델이 이 작업을 잘 수행하면 해당 모델이 위험한 콘텐츠에 대한 Natural Language Understanding이 뛰어나므로 안전할 가능성이 높다는 것을 나타냅니다[154]. 지시형 평가의 주요 장점은 결과를 고도로 해석할 수 있고 표준화되어 있어 시간과 모델 간에 비교할 수 있다는 것입니다. 그러나 한 가지 한계는 테스트가 개별 모델의 특성이나 기능에 맞게 조정되지 않기 때문에 각 모델의 고유한 측면을 완전히 도전하거나 평가하지 못할 수 있다는 것입니다. 또한 지시형 평가 테스트 세트를 개발, 출시 및 업데이트하는 데 시간이 걸리므로 AI 개발의 빠른 속도를 고려할 때 오래된 테스트 세트가 될 위험이 있습니다[155].

지시형 평가지시형 평가에는 알려진 위험에 대한 모델에 대한 원칙적이고 명확하게 정의된 평가가 포함됩니다. 일반적으로 모델은 명확한 범주 및 하위 범주 집합에 할당된 명확하게 정의된 프롬프트 집합에 대해 테스트됩니다. 벤치마크 및 평가 제품군은 일반적으로 [30, 31, 152, 153]과 같은 지시형 평가입니다. 지시형 평가의 또 다른 형태는 유해 콘텐츠에 대한 모델의 자연어 이해력을 테스트하는 것으로, 사용자 생성 콘텐츠가 안전 정책을 위반하는지 여부를 평가하기 위해 LM을 제로샷 또는 푸샷 분류기로 사용하는 것을 포함합니다. 모델이 이 작업을 잘 수행하면 해당 모델이 위험한 콘텐츠에 대한 자연어 이해력이 뛰어나므로 안전할 가능성이 높다는 것을 나타냅니다[154]. 지시형 평가의 주요 장점은 결과를 고도로 해석할 수 있고 표준화되어 있어 시간과 모델 간에 비교할 수 있다는 것입니다. 그러나 한 가지 한계는 테스트가 개별 모델의 특성이나 기능에 맞게 조정되지 않기 때문에 각 모델의 고유한 측면을 완전히 도전하거나 평가하지 못할 수 있다는 것입니다. 또한 지시형 평가 테스트 세트를 개발, 출시 및 업데이트하는 데 시간이 걸리므로 AI 개발의 빠른 속도를 고려할 때 오래된 테스트 세트가 될 위험이 있습니다[155].

* Doc2Dial (Feng et al., 2020) is a document-grounded conversational QA dataset covering four domains: DMV, SSA, VA, and Student Aid. Each sample comprises a dialogue where a user poses queries regarding the document, and an agent responds those questions. The average document length is around 101K words. * QuAC (Choi et al., 2018) is based on Wikipedia documents. Originally, the document is short. Since each dialogue is linked to multiple Wikipedia URLs, we extract text from these links to increase the document size to approximately an average of 15K words. It contains unanswerable cases where answers cannot be found within the given context. * QReCC (Anantha et al., 2021) is an open-domain conversational QA dataset across multiple sources. Similar to QuAC, each dialogue also has corresponding URLs. We extract text from those URLs to construct the documents. In the end, the average document size is around 5K words, with a maximum document size of 20K words. * TopiOCQA (Adlakha et al., 2022) is grounded on the whole Wikipedia. It incorporates topic switching and requires the agent to search the entire Wikipedia for answers to user questions. * INSCIT (Wu et al., 2023) is also grounded on the whole Wikipedia. It studies the case where user questions are under-specified and require clarification.

* Doc2Dial(Feng et al., 2020)은 DMV, SSA, VA, 학자금 지원 등 4개의 도메인을 다루는 문서 기반 대화형 QA 데이터 세트입니다. 각 샘플은 사용자가 문서와 관련하여 질문을 하고 상담원이 해당 질문에 응답하는 대화로 구성됩니다. 평균 문서 길이는 약 101K 단어입니다. * QuAC(Choi et al., 2018)은 Wikipedia 문서를 기반으로 합니다. 원래 문서는 짧습니다. 각 대화는 여러 Wikipedia URL에 연결되어 있으므로 이러한 링크에서 텍스트를 추출하여 문서 크기를 평균 약 15K 단어로 늘립니다. 여기에는 주어진 문맥 내에서 답을 찾을 수 없는 답변 불가능한 경우가 포함되어 있습니다. * QReCC(Anantha et al., 2021)는 여러 소스에 걸친 개방형 대화형 QA 데이터 세트입니다. QuAC와 마찬가지로 각 대화에는 해당 URL도 있습니다. 이러한 URL에서 텍스트를 추출하여 문서를 구성합니다. 최종적으로 평균 문서 크기는 약 5K 단어이며 최대 문서 크기는 20K 단어입니다. * TopiOCQA(Adlakha et al., 2022)는 전체 Wikipedia를 기반으로 합니다. 이 데이터 세트는 주제 전환을 통합하며, 상담원이 사용자 질문에 대한 답을 찾기 위해 전체 Wikipedia를 검색해야 합니다. * INSCIT(Wu et al., 2023)도 전체 Wikipedia를 기반으로 합니다. 이 데이터 세트는 사용자 질문이 명시되지 않아 명확한 설명이 필요한 경우를 연구합니다.

* Doc2Dial(Feng et al., 2020)은 DMV, SSA, VA, 학자금 지원 등 4개의 도메인을 다루는 문서 기반 대화형 QA 데이터 세트입니다. 각 샘플은 사용자가 문서와 관련하여 질문을 하고 상담원이 해당 질문에 응답하는 대화로 구성됩니다. 평균 문서 길이는 약 101K 단어입니다. * QuAC(Choi et al., 2018)은 위키백과 문서를 기반으로 합니다. 원래 문서는 짧습니다. 각 대화는 여러 위키백과 URL에 연결되어 있으므로 이러한 링크에서 텍스트를 추출하여 문서 크기를 평균 약 15K 단어로 늘립니다. 여기에는 주어진 문맥 내에서 답을 찾을 수 없는 답변 불가능한 경우가 포함되어 있습니다. * QReCC(Anantha et al., 2021)는 여러 소스에 걸친 개방형 대화형 QA 데이터 세트입니다. QuAC와 마찬가지로 각 대화에는 해당 URL도 있습니다. 이러한 URL에서 텍스트를 추출하여 문서를 구성합니다. 최종적으로 평균 문서 크기는 약 5K 단어이며 최대 문서 크기는 20K 단어입니다. * TopiOCQA(Adlakha et al., 2022)는 전체 위키백과를 기반으로 합니다. 이 데이터 세트는 주제 전환을 통합하며, 상담원이 사용자 질문에 대한 답을 찾기 위해 전체 위키백과를 검색해야 합니다. * INSCIT(Wu et al., 2023)도 전체 위키백과를 기반으로 합니다. 이 데이터 세트는 사용자 질문이 명시되지 않아 명확한 설명이 필요한 경우를 연구합니다.

Instruction tuning aims to train large language models to generate responses that align with input instructions, thereby enable LLMs with conversational and task execution capabilities. Compared with standard LLM, SFT allows the behavior of the model to be more controllable and predictable, thereby achieving the purpose of aligning human will. Methods to build instruction tuning datasets include: (1) Pure manual annotation Conover et al. (2023). This method completely constructs instructions and answers manually, which is very time-consuming and laborious; (2) Converted from existing datasets Mishra et al. (2022); Sanh et al. (2022); Chung et al. (2022). Some studies use supervised data sets from NLP tasks to construct instruction tuning data; (3) Automatically generated using LLM Honovich et al. (2022); Wang et al. (2023); Xu et al. (2023); Ji et al. (2023); Xu et al. (2023). Others use existing LLMs to generate instruction tuning data. A common practice is to first manually annotate high-quality seed datasets, and then use LLM to expand the seed instructions and corresponding outputs, which can generate large-scale instruction tuning data with very little human annotation. However, the quality cannot be guaranteed and there is a certain amount of noisy data, which can lead to hallucinations.

Instruction tuning은 대규모 언어 모델이 입력 명령에 맞게 응답을 생성하도록 훈련하여 LLM에 대화 및 작업 실행 기능을 부여하는 것을 목표로 합니다. 표준 LLM과 비교하여 Supervised Fine-tuning (SFT)을 사용하면 모델의 동작을 보다 제어할 수 있고 예측할 수 있어 인간의 의지를 조정하는 목적을 달성할 수 있습니다. Instruction tuning 데이터 세트를 구축하는 방법에는 다음이 포함됩니다: (1) 순수한 수동 주석 Conover et al. (2023). 이 방법은 지침과 답변을 완전히 수동으로 구성하는 것으로, 시간과 노동 집약적입니다; (2) 기존 데이터 세트에서 변환 Mishra et al. (2022); Sanh et al. (2022); Chung et al. (2022). 일부 연구에서는 NLP 작업의 지도 데이터 세트를 사용하여 Instruction tuning 데이터를 구성합니다; (3) LLM을 사용하여 자동 생성 Honovich et al. (2022); Wang et al. (2023); Xu et al. (2023); Ji et al. (2023); Xu et al. (2023). 다른 연구에서는 기존 LLM을 사용하여 Instruction tuning 데이터를 생성합니다. 일반적인 방법은 먼저 고품질 시드 데이터 세트에 수동으로 주석을 달은 다음 LLM을 사용하여 시드 명령과 해당 출력을 확장하는 것으로, 사람의 주석이 거의 없어도 대규모 Instruction tuning 데이터를 생성할 수 있습니다. 그러나 품질을 보장할 수 없고 노이즈 데이터가 일정량 존재하여 Hallucination 현상이 발생할 수 있습니다.

명령 튜닝은 대규모 언어 모델이 입력 명령에 맞게 응답을 생성하도록 훈련하여 LLM에 대화 및 작업 실행 기능을 부여하는 것을 목표로 합니다. 표준 LLM과 비교하여 SFT를 사용하면 모델의 동작을 보다 제어할 수 있고 예측할 수 있어 인간의 의지를 조정하는 목적을 달성할 수 있습니다. 명령 튜닝 데이터 세트를 구축하는 방법에는 다음이 포함됩니다: (1) 순수한 수동 주석 Conover et al. (2023). 이 방법은 지침과 답변을 완전히 수동으로 구성하는 것으로, 시간과 노동 집약적입니다; (2) 기존 데이터 세트에서 변환 Mishra et al. (2022); Sanh et al. (2022); Chung et al. (2022). 일부 연구에서는 NLP 작업의 지도 데이터 세트를 사용하여 명령 튜닝 데이터를 구성합니다; (3) LLM을 사용하여 자동 생성 Honovich et al. (2022); Wang et al. (2023); Xu et al. (2023); Ji et al. (2023); Xu et al. (2023). 다른 연구에서는 기존 LLM을 사용하여 명령 튜닝 데이터를 생성합니다. 일반적인 방법은 먼저 고품질 시드 데이터 세트에 수동으로 주석을 달은 다음 LLM을 사용하여 시드 명령과 해당 출력을 확장하는 것으로, 사람의 주석이 거의 없어도 대규모 명령 튜닝 데이터를 생성할 수 있습니다. 그러나 품질을 보장할 수 없고 노이즈 데이터가 일정량 존재하여 환각 현상이 발생할 수 있습니다.

**LLMs as Recommendation Models.** With specific methods or mechanisms, LLMs can be adapted to serve as recommendation models. Existing work along this line can be generally divided into two main categories. First, some methods prompt LLMs for completing the recommendation task in a zero-shot paradigm (_i.e._, without parameter tuning) [805, 806]. A series of prompt engineering methods like recency-focused and in-context learning are introduced to improve recommendation performance as well as alleviate the potential model biases [807, 808]. Second, another category of studies aim to specialize LLMs for personalized recommendation through instruction tuning [357, 809]. Specially, high-quality instruction data is key to adapt LLMs to the recommendation tasks, which can be constructed based on user-item interactions with heuristic templates. To further improve the instruction diversity, InstructRec [357] employs self-instruct technique to simulate large amounts of potential user instructions in various scenarios like product search and personalized recommendations. In addition to representing each item by its text description, there is also growing attention on extending LLM's vocabulary with semantic identifiers in recommender systems [810, 811], to incorporate collaborative semantics into LLMs.

**추천 모델로서의 LLM**. 특정 방법이나 메커니즘을 사용하면 LLM을 추천 모델로 사용하도록 조정할 수 있습니다. 이와 관련된 기존 연구는 일반적으로 두 가지 주요 범주로 나눌 수 있습니다. 첫째, 일부 방법은 매개변수 튜닝 없이(_즉, zero-shot 패러다임) 추천 작업을 완료하도록 LLM에 프롬프트를 보냅니다[805, 806]. recency-focused 및 In-Context Learning과 같은 일련의 prompt engineering 방법이 도입되어 추천 성능을 개선하고 잠재적인 모델 편향을 완화합니다[807, 808]. 둘째, 또 다른 범주의 연구에서는 Instruction Tuning을 통해 개인화된 추천을 위해 LLM을 전문화하는 것을 목표로 합니다[357, 809]. 특히, 고품질 Instruction 데이터는 추천 작업에 LLM을 적용하는 데 핵심적인데, 이는 휴리스틱 템플릿을 사용하여 사용자-아이템 상호 작용을 기반으로 구성할 수 있습니다. 지침의 다양성을 더욱 개선하기 위해 InstructRec [357]은 self-instruct 기술을 사용하여 제품 검색 및 개인화 추천과 같은 다양한 시나리오에서 잠재적인 사용자 지침의 대량을 시뮬레이션합니다. 각 항목을 텍스트 설명으로 표현하는 것 외에도 추천 시스템에서 의미론적 식별자로 LLM의 어휘를 확장하여 협업 의미론을 LLM에 통합하는 것에 대한 관심이 높아지고 있습니다[810, 811].

**추천 모델로서의 LLM**. 특정 방법이나 메커니즘을 사용하면 LLM을 추천 모델로 사용하도록 조정할 수 있습니다. 이와 관련된 기존 연구는 일반적으로 두 가지 주요 범주로 나눌 수 있습니다. 첫째, 일부 방법은 매개변수 튜닝 없이(_즉, 제로 샷 패러다임) 추천 작업을 완료하도록 LLM에 프롬프트를 보냅니다[805, 806]. 최근성 중심 및 상황에 따른 학습과 같은 일련의 프롬프트 엔지니어링 방법이 도입되어 추천 성능을 개선하고 잠재적인 모델 편향을 완화합니다[807, 808]. 둘째, 또 다른 범주의 연구에서는 지시 튜닝을 통해 개인화된 추천을 위해 LLM을 전문화하는 것을 목표로 합니다[357, 809]. 특히, 고품질 지침 데이터는 추천 작업에 LLM을 적용하는 데 핵심적인데, 이는 휴리스틱 템플릿을 사용하여 사용자-아이템 상호 작용을 기반으로 구성할 수 있습니다. 지침의 다양성을 더욱 개선하기 위해 InstructRec [357]은 자체 지침 기술을 사용하여 제품 검색 및 개인화 추천과 같은 다양한 시나리오에서 잠재적인 사용자 지침의 대량을 시뮬레이션합니다. 각 항목을 텍스트 설명으로 표현하는 것 외에도 추천 시스템에서 의미론적 식별자로 LLM의 어휘를 확장하여 협업 의미론을 LLM에 통합하는 것에 대한 관심이 높아지고 있습니다[810, 811].

* CoQA (Reddy et al., 2019) is a conversational QA dataset with each dialogue grounded on a short passage. The answers are generally short, and the passages cover a wide range of domains like children's stories, literature, mid/high school exams, news, Wikipedia. * DoQA (Campos et al., 2020) covers three domains: cooking, travel, and movies collected from active Stack Exchange4 forums. The dataset contains unanswerable cases where answers cannot be found within the given document. Footnote 4: [https://stackexchange.com/](https://stackexchange.com/) * ConvFinQA (Chen et al., 2022) is based on the Financial domain. Each document contains a single financial report table along with relevant text surrounding the table. This dataset involves arithmetic calculation and complex numerical reasoning. * SQA (Pasupat and Liang, 2015) is grounded on documents which contain only a single Table without any surrounding text. The documents are collected from Wikipedia, and the questions are highly compositional, which requires the model with robust table comprehension ability to give correct answers. * HybridDial (Nakamura et al., 2022) is a conversational QA dataset grounded on documents containing both Wikipedia tabular and textual data. The questions are complex which requires reasoning over the documents.

* CoQA(Reddy et al., 2019)는 각 대화가 짧은 구절에 기반한 대화형 QA 데이터 세트입니다. 답변은 일반적으로 짧으며, 구절은 동화, 문학, 중고등학교 시험, 뉴스, Wikipedia 등 다양한 도메인을 다룹니다. * DoQA(Campos et al., 2020)는 활성 Stack Exchange 포럼에서 수집한 요리, 여행, 영화의 세 가지 도메인을 다룹니다. 이 데이터 세트에는 주어진 문서 내에서 답을 찾을 수 없는 답변할 수 없는 경우가 포함되어 있습니다. 각주 4: [https://stackexchange.com/](https://stackexchange.com/) * ConvFinQA(Chen et al., 2022)는 금융 도메인을 기반으로 합니다. 각 문서에는 테이블과 테이블 주변의 관련 텍스트와 함께 단일 재무 보고서 테이블이 포함되어 있습니다. 이 데이터 세트에는 arithmetic calculation과 복잡한 numerical reasoning이 포함됩니다. * SQA(Pasupat and Liang, 2015)는 주변 텍스트 없이 단일 테이블만 포함된 문서를 기반으로 합니다. 문서는 Wikipedia에서 수집되었으며, 질문은 매우 구성적이어서 강력한 표 이해 능력을 갖춘 모델이 정답을 제시해야 합니다. * HybridDial(Nakamura et al., 2022)는 Wikipedia의 표 및 텍스트 데이터를 모두 포함하는 문서를 기반으로 하는 대화형 QA 데이터 세트입니다. 이 질문은 문서에 대한 reasoning이 필요한 복잡한 질문입니다.

* CoQA(Reddy et al., 2019)는 각 대화가 짧은 구절에 기반한 대화형 QA 데이터 세트입니다. 답변은 일반적으로 짧으며, 구절은 동화, 문학, 중고등학교 시험, 뉴스, 위키피디아 등 다양한 도메인을 다룹니다. * DoQA(Campos et al., 2020)는 활성 스택 교환4 포럼에서 수집한 요리, 여행, 영화의 세 가지 도메인을 다룹니다. 이 데이터 세트에는 주어진 문서 내에서 답을 찾을 수 없는 답변할 수 없는 경우가 포함되어 있습니다. 각주 4: [https://stackexchange.com/](https://stackexchange.com/) * ConvFinQA(Chen et al., 2022)는 금융 도메인을 기반으로 합니다. 각 문서에는 테이블과 테이블 주변의 관련 텍스트와 함께 단일 재무 보고서 테이블이 포함되어 있습니다. 이 데이터 세트에는 산술 계산과 복잡한 수리 추론이 포함됩니다. * SQA(Pasupat and Liang, 2015)는 주변 텍스트 없이 단일 테이블만 포함된 문서를 기반으로 합니다. 문서는 위키피디아에서 수집되었으며, 질문은 매우 구성적이어서 강력한 표 이해 능력을 갖춘 모델이 정답을 제시해야 합니다. * 하이브리드 다이얼(Nakamura et al., 2022)은 위키피디아의 표 및 텍스트 데이터를 모두 포함하는 문서를 기반으로 하는 대화형 QA 데이터 세트입니다. 이 질문은 문서에 대한 추론이 필요한 복잡한 질문입니다.

Fig. 39: HuggingGPT: An agent-based approach to use tools and planning [image courtesy of [171]]* **RACE**[186] suits for reading comprehension task. This dataset is based on English tests completed by Chinese students from middle school and high school, aged \(12\) to \(18\), and it contains roughly \(28,000\) texts and \(100,000\) questions rigorously prepared by human specialists, primarily English instructors. This dataset contains a wide range of subjects that were purposefully chosen to assess students' comprehension and reasoning abilities. This dataset is available in three subgroups: RACE-M, RACE-H, and RACE. RACE-M refers to the middle school examinations, whereas RACE-H denotes the high school tests. Finally, RACE is the synthesis of RACE-M and RACE-H. * **SQuAD**[187] stands for "Stanford Question Answering Dataset" and is a crowdsourced reading comprehension dataset based on Wikipedia articles. It has approximately \(100,000\) question-answer pairs connected to more than \(500\) articles. The answers to these questions are typically text fragments or spans taken from the corresponding reading passages. The questions may be unanswerable in some cases. The dataset is divided into three sets: an \(80\%\) training set, a \(10\%\) development set, and a \(10\%\) hidden test set.

그림 39: HuggingGPT: 도구 및 계획에 대한 에이전트 기반 접근 방식 [171] 이미지 예시] * **RACE**[186]는 독해 과제에 적합합니다. 이 데이터 세트는 중고등학교 중고등학생인 12~18세의 중국 학생들이 응시한 영어 시험을 기반으로 하며, 인간 전문가, 주로 영어 교사가 엄격하게 준비한 약 28,000개의 텍스트와 100,000개의 질문을 포함하고 있습니다. 이 데이터 세트에는 학생들의 이해력과 추론 능력을 평가하기 위해 의도적으로 선택된 다양한 주제가 포함되어 있습니다. 이 데이터 세트는 RACE-M, RACE-H, RACE의 세 가지 하위 그룹으로 제공됩니다. RACE-M은 중학교 시험을 의미하며, RACE-H는 고등학교 시험을 의미합니다. 마지막으로 RACE는 RACE-M과 RACE-H의 합성어입니다. * **SQuAD**[187]는 "Stanford Question Answering Dataset"의 약자로, 위키백과 기사를 기반으로 한 크라우드 소싱 독해 데이터 세트입니다. 약 500개 이상의 기사와 연결된 약 100,000쌍의 질문-답변 쌍이 있습니다. 이러한 질문에 대한 답은 일반적으로 해당 읽기 지문에서 발췌한 텍스트 조각 또는 범위입니다. 경우에 따라서는 답변할 수 없는 질문이 있을 수 있습니다. 데이터 세트는 80%의 훈련 세트, 10%의 개발 세트, 10%의 숨겨진 테스트 세트의 세 가지 세트로 나뉩니다.

그림 39: HuggingGPT: 도구 및 계획에 대한 에이전트 기반 접근 방식 [171] 이미지 예시] * **RACE**[186]는 독해 과제에 적합합니다. 이 데이터 세트는 중고등학교 중고등학생인 12~18세의 중국 학생들이 응시한 영어 시험을 기반으로 하며, 인간 전문가, 주로 영어 교사가 엄격하게 준비한 약 28,000개의 텍스트와 100,000개의 질문을 포함하고 있습니다. 이 데이터 세트에는 학생들의 이해력과 추론 능력을 평가하기 위해 의도적으로 선택된 다양한 주제가 포함되어 있습니다. 이 데이터 세트는 RACE-M, RACE-H, RACE의 세 가지 하위 그룹으로 제공됩니다. RACE-M은 중학교 시험을 의미하며, RACE-H는 고등학교 시험을 의미합니다. 마지막으로 RACE는 RACE-M과 RACE-H의 합성어입니다. * **SQuAD**[187]는 "Stanford 질문 답변 데이터 세트"의 약자로, 위키백과 기사를 기반으로 한 크라우드 소싱 독해 데이터 세트입니다. 약 500개 이상의 기사와 연결된 약 100,000쌍의 질문-답변 쌍이 있습니다. 이러한 질문에 대한 답은 일반적으로 해당 읽기 지문에서 발췌한 텍스트 조각 또는 범위입니다. 경우에 따라서는 답변할 수 없는 질문이 있을 수 있습니다. 데이터 세트는 80%의 훈련 세트, 10%의 개발 세트, 10%의 숨겨진 테스트 세트의 세 가지 세트로 나뉩니다.

We use each of the sentence fragments to construct multiple prompts by using templates. Each template corresponds to different types of interaction with a model. The interactions reflect different motivations and aims, and create different risks of harm. For instance, the segment fragment "make a bomb" can be incorporated into many distinct types of prompts, from describing past activities ("I once made a bomb") to asking for advice on whether to make a bomb ("How do I make a bomb?") or seeking encouragement ("Should I make a bomb?"). We developed the interaction types by drawing on theories of linguistics, specifically speech acts [54] and work in computer-human interactions [55]. This work indicates that people have different communicative goals which manifest when they interact with digital technology - and sometimes the same goals can be expressed in many different ways using different grammatical structures. This work has been widely used to understand the significance of social media content, conduct and conversations [56, 57, 58]. For the purposes of evaluating AI safety, we use this work to understand how a single goal (e.g., "learn how to make a bomb") can be expressed in many ways, such as by using an imperative or a question; and making the request directly or indirectly.

각 문장 조각을 템플릿을 사용하여 여러 prompts를 구성하는 데 사용합니다. 각 템플릿은 모델과의 상호 작용 유형에 따라 다릅니다. 상호 작용은 다양한 동기와 목표를 반영하며, 다양한 위험을 초래할 수 있습니다. 예를 들어, "폭탄을 만드는 것"이라는 세그먼트 조각은 과거 활동을 설명하는 것("나는 한때 폭탄을 만들었어")부터 폭탄을 만들 것인지에 대한 조언을 구하는 것("폭탄은 어떻게 만드나요?") 또는 격려를 구하는 것("폭탄을 만들어야 하나요?")에 이르기까지 다양한 유형의 prompts에 통합될 수 있습니다. 이 작업은 언어학 이론, 특히 화행[54]과 컴퓨터-인간 상호작용[55]에 대한 연구를 바탕으로 개발되었습니다. 이 연구에 따르면 사람들은 디지털 기술과 상호 작용할 때 나타나는 다양한 의사소통 목표를 가지고 있으며, 때로는 동일한 목표를 다른 문법 구조를 사용하여 다양한 방식으로 표현할 수 있다는 사실이 밝혀졌습니다. 이 작업은 소셜 미디어 콘텐츠, 행동 및 대화의 중요성을 이해하고 [56, 57, 58] 행동 및 대화를 이해하는 데 널리 사용되었습니다. AI 안전성을 평가하기 위해 이 작업을 사용하여 단일 목표(예: "폭탄을 만드는 방법을 배우기")를 명령어 또는 질문을 사용하여 직접 또는 간접적으로 요청하는 등 다양한 방식으로 표현할 수 있는 방법을 이해합니다.

각 문장 조각을 템플릿을 사용하여 여러 프롬프트를 구성하는 데 사용합니다. 각 템플릿은 모델과의 상호 작용 유형에 따라 다릅니다. 상호 작용은 다양한 동기와 목표를 반영하며, 다양한 위험을 초래할 수 있습니다. 예를 들어, "폭탄을 만드는 것"이라는 세그먼트 조각은 과거 활동을 설명하는 것("나는 한때 폭탄을 만들었어")부터 폭탄을 만들 것인지에 대한 조언을 구하는 것("폭탄은 어떻게 만드나요?") 또는 격려를 구하는 것("폭탄을 만들어야 하나요?")에 이르기까지 다양한 유형의 프롬프트에 통합될 수 있습니다. 이 작업은 언어학 이론, 특히 화행[54]과 컴퓨터-인간 상호작용[55]에 대한 연구를 바탕으로 개발되었습니다. 이 연구에 따르면 사람들은 디지털 기술과 상호 작용할 때 나타나는 다양한 의사소통 목표를 가지고 있으며, 때로는 동일한 목표를 다른 문법 구조를 사용하여 다양한 방식으로 표현할 수 있다는 사실이 밝혀졌습니다. 이 작업은 소셜 미디어 콘텐츠, 행동 및 대화의 중요성을 이해하고 [56, 57, 58] 행동 및 대화를 이해하는 데 널리 사용되었습니다. AI 안전성을 평가하기 위해 이 작업을 사용하여 단일 목표(예: "폭탄을 만드는 방법을 배우기")를 명령어 또는 질문을 사용하여 직접 또는 간접적으로 요청하는 등 다양한 방식으로 표현할 수 있는 방법을 이해합니다.

We collected our _Evol-Instruct_ testset that includes real-world human instructions from diverse sources such as online opensource projects, platforms, and forums. We analyzed the data and identified 29 distinct skills that represent the main requirements of humanity, such as Coding Generation \(\&\) Debugging, Math, Reasoning, Complex Formats, Writing, Extensive Disciplines, and so on. Figure 3a illustrates the distribution of the instances and skills in our test set. Our test set consists of 218 instances, each of which is an instruction for a specific skill. We compared our test set with Vicuna's test set, which is a benchmark dataset for evaluating instruction following models. We found that Vicuna's test set only 80 instances and 9 skills and is much smaller and less diverse than ours. Figure 3b shows how the difficulty and complexity of the test data vary across different instances. Our test data has a more uniform distribution, meaning that it contains instructions with different levels of difficulty and complexity. On the other hand, Vicuna and Alpaca have a skewed distribution, meaning that they mostly contain instructions with low difficulty and complexity. This indicates that these two corpus are not able to handle the evaluation on more complex and demanding scenarios.

온라인 오픈소스 프로젝트, 플랫폼, 포럼 등 다양한 출처에서 실제 인간의 지침을 포함하는 _Evol-Instruct_ 테스트 세트를 수집했습니다. 데이터를 분석한 결과 코딩 생성 및 디버깅, 수학, 추론, 복잡한 형식, 글쓰기, 광범위한 분야 등 인류의 주요 요구 사항을 대표하는 29개의 기술을 확인했습니다. 그림 3a는 테스트 세트의 인스턴스와 스킬의 분포를 보여줍니다. 테스트 세트는 218개의 인스턴스로 구성되며, 각 인스턴스는 특정 스킬에 대한 Instruction입니다. 우리의 테스트 세트를 Instruction 수행 모델을 평가하기 위한 벤치마크 데이터 세트인 Vicuna의 테스트 세트와 비교했습니다. Vicuna의 테스트 세트는 80개의 인스턴스와 9개의 스킬로 구성되어 있으며, 우리의 테스트 세트보다 훨씬 작고 다양성이 떨어지는 것을 발견했습니다. 그림 3b는 테스트 데이터의 난이도와 복잡성이 다른 인스턴스에 따라 어떻게 달라지는지를 보여줍니다. 우리의 테스트 데이터는 보다 균일한 분포를 가지고 있어 난이도와 복잡도가 다른 수준의 Instruction을 포함하고 있습니다. 반면에 Vicuna와 Alpaca는 분포가 치우쳐져 있어 대부분 난이도와 복잡도가 낮은 Instruction을 포함하고 있습니다. 이는 이 두 코퍼스가 더 복잡하고 까다로운 시나리오에 대한 평가를 처리할 수 없음을 나타냅니다.

온라인 오픈소스 프로젝트, 플랫폼, 포럼 등 다양한 출처에서 실제 인간의 지침을 포함하는 _Evol-Instruct_ 테스트 세트를 수집했습니다. 데이터를 분석한 결과 코딩 생성 및 디버깅, 수학, 추론, 복잡한 형식, 글쓰기, 광범위한 분야 등 인류의 주요 요구 사항을 대표하는 29개의 기술을 확인했습니다. 그림 3a는 테스트 세트의 인스턴스와 스킬의 분포를 보여줍니다. 테스트 세트는 218개의 인스턴스로 구성되며, 각 인스턴스는 특정 스킬에 대한 지침입니다. 우리의 테스트 세트를 지침 수행 모델을 평가하기 위한 벤치마크 데이터 세트인 Vicuna의 테스트 세트와 비교했습니다. Vicuna의 테스트 세트는 80개의 인스턴스와 9개의 스킬로 구성되어 있으며, 우리의 테스트 세트보다 훨씬 작고 다양성이 떨어지는 것을 발견했습니다. 그림 3b는 테스트 데이터의 난이도와 복잡성이 다른 인스턴스에 따라 어떻게 달라지는지를 보여줍니다. 우리의 테스트 데이터는 보다 균일한 분포를 가지고 있어 난이도와 복잡도가 다른 수준의 지침을 포함하고 있습니다. 반면에 Vicuna와 Alpaca는 분포가 치우쳐져 있어 대부분 난이도와 복잡도가 낮은 지침을 포함하고 있습니다. 이는 이 두 코퍼스가 더 복잡하고 까다로운 시나리오에 대한 평가를 처리할 수 없음을 나타냅니다.

In this work, we propose a novel continual learning (CL) formulation named Continual KnowledgeLearning (CKL), where we attempt to renew the internal world knowledge of LMs through continual pretraining on new corpora. We systematically categorize world knowledge into three main categories and make benchmark datasets to measure each of them during CKL: (1) InvariantLAMA for _time-invariant_ world knowledge in LMs that should not be forgotten or altered, (2) UpdatedLAMA for outdated world knowledge that needs to be _updated_ in the LMs, and (3) NewLAMA for _new_ world knowledge that should be injected into the LMs. We also propose a novel metric named FUAR (Forgotten / (Updated + Acquired) Ratio) that can measure the trade-off between forgetting, updating, and acquiring knowledge. Finally, while one might think of implementing contemporary CL methods for this benchmark, we show that CKL has nontrivial differences to traditional CL formulations and require approaches specific to CKL. We find and compare model architectures and training methodologies (Chen et al., 2020; He et al., 2021; Hu et al., 2021; Wang et al., 2021b) from the literature that have shown potential to mitigate forgetting of knowledge gained during pretraining, establishing them as baselines for the CKL benchmark.

이 연구에서는 새로운 말뭉치에 대한 지속적인 전처리를 통해 LM의 내부 세계 지식을 새롭게 갱신하는 Continual Knowledge Learning (CKL)이라는 새로운 Continual Learning (CL) 공식을 제안합니다. 세계 지식을 세 가지 주요 범주로 체계적으로 분류하고 각각을 측정하기 위한 벤치마크 데이터 세트를 만들었습니다: (1) LM에서 잊혀지거나 변경되어서는 안 되는 _시간 불변_ 세계 지식을 위한 InvariantLAMA, (2) LM에서 _업데이트_해야 하는 오래된 세계 지식을 위한 UpdatedLAMA, (3) LM에 주입되어야 하는 _새로운_ 세계 지식을 위한 NewLAMA. 또한 잊어버림, 업데이트, 습득 지식 간의 절충점을 측정할 수 있는 FUAR (Forgotten / (Updated + Acquired) Ratio)라는 새로운 지표를 제안합니다. 마지막으로, 이 벤치마크를 위해 현대적인 CL 방법을 구현하는 것을 생각할 수 있지만, CKL은 기존 CL 공식과 비교할 때 사소한 차이가 있으며 CKL에 특화된 접근 방식이 필요하다는 것을 보여줍니다. 우리는 사전 학습 중에 습득한 지식의 잊어버림을 완화할 수 있는 잠재력을 보여준 모델 아키텍처와 훈련 방법론(Chen et al., 2020; He et al., 2021; Hu et al., 2021; Wang et al., 2021b)을 문헌에서 찾아 비교하여 CKL 벤치마크의 기준으로 설정합니다.

이 연구에서는 새로운 말뭉치에 대한 지속적인 전처리를 통해 LM의 내부 세계 지식을 새롭게 갱신하는 지속적인 지식 학습(CKL)이라는 새로운 지속 학습(CL) 공식을 제안합니다. 세계 지식을 세 가지 주요 범주로 체계적으로 분류하고 각각을 측정하기 위한 벤치마크 데이터 세트를 만들었습니다: (1) LM에서 잊혀지거나 변경되어서는 안 되는 _시간 불변_ 세계 지식을 위한 InvariantLAMA, (2) LM에서 _업데이트_해야 하는 오래된 세계 지식을 위한 UpdatedLAMA, (3) LM에 주입되어야 하는 _새로운_ 세계 지식을 위한 NewLAMA. 또한 잊어버림, 업데이트, 습득 지식 간의 절충점을 측정할 수 있는 FUAR(잊어버림 / (업데이트 + 습득) 비율)라는 새로운 지표를 제안합니다. 마지막으로, 이 벤치마크를 위해 현대적인 CL 방법을 구현하는 것을 생각할 수 있지만, CKL은 기존 CL 공식과 비교할 때 사소한 차이가 있으며 CKL에 특화된 접근 방식이 필요하다는 것을 보여줍니다. 우리는 사전 학습 중에 습득한 지식의 잊어버림을 완화할 수 있는 잠재력을 보여준 모델 아키텍처와 훈련 방법론(Chen et al., 2020; He et al., 2021; Hu et al., 2021; Wang et al., 2021b)을 문헌에서 찾아 비교하여 CKL 벤치마크의 기준으로 설정합니다.

Recent studies have proposed a mixture of synthetic data and real human data to train more robust reward models (Gao et al., 2023). Constitutional AI (Bai et al., 2022) proposes to use a small set of principles to steer the AI generated critiques and feedback, and use such synthetic data to replace the real human data in the typical RLHF pipeline. The model trained with this RLAIF (i.e., reinforcement learning from AI feedback) method shows similar strong performance as RLHF baselines. In general, synthetic data offers a powerful solution for human values and preferences alignment by allowing researchers to generate large-scale, diverse, and controlled training datasets in a low-cost way (Cui et al., 2023; Ganguli et al., 2022). By simulating a wide range of scenarios involving ethical dilemmas (Perez et al., 2022), social interactions (Liu et al., 2023c), and cultural norms (Ziems et al., 2023), synthetic data enables comprehensive and systematic testing of AI models' alignment with human values (Askell et al., 2021). This approach helps identify and mitigate issues related to bias (Liu et al., 2021; Ntoutsi et al., 2020), fairness (Landers and Behrend, 2023; Zhao et al., 2018), and unintended consequences before AI systems are deployed in real-world settings (Ye et al., 2024).

최근 연구에서는 보다 강력한 보상 모델을 훈련하기 위해 합성 데이터와 실제 인간 데이터의 혼합을 제안했습니다(Gao et al., 2023). Constitutional AI(Bai et al., 2022)는 소수의 원칙을 사용하여 AI가 생성한 비평과 피드백을 유도하고 이러한 합성 데이터를 사용하여 일반적인 RLHF 파이프라인에서 실제 인간 데이터를 대체할 것을 제안합니다. 이 RLAIF (i.e., Reinforcement Learning from AI Feedback) 방법으로 훈련된 모델은 RLHF 기준선과 비슷한 강력한 성능을 보여줍니다. 일반적으로 합성 데이터는 저비용으로 대규모의 다양하고 통제된 훈련 데이터 세트를 생성할 수 있으므로 인간의 가치와 선호도를 정렬하는 강력한 솔루션을 제공합니다(Cui et al., 2023; Ganguli et al., 2022). 윤리적 딜레마(Perez et al., 2022), 사회적 상호작용(Liu et al., 2023c), 문화적 규범(Ziems et al., 2023)과 관련된 다양한 시나리오를 시뮬레이션함으로써 합성 데이터는 AI 모델이 인간의 가치와 얼마나 잘 일치하는지에 대한 포괄적이고 체계적인 테스트를 가능하게 합니다(Askell et al., 2021). 이러한 접근 방식은 AI 시스템이 실제 환경에 배포되기 전에 편향성(Liu et al., 2021; Ntoutsi et al., 2020), 공정성(Landers and Behrend, 2023; Zhao et al., 2018) 및 의도하지 않은 결과와 관련된 문제를 식별하고 완화하는 데 도움이 됩니다(Ye et al., 2024).

최근 연구에서는 보다 강력한 보상 모델을 훈련하기 위해 합성 데이터와 실제 인간 데이터의 혼합을 제안했습니다(Gao et al., 2023). 헌법 AI(Bai et al., 2022)는 소수의 원칙을 사용하여 AI가 생성한 비평과 피드백을 유도하고 이러한 합성 데이터를 사용하여 일반적인 RLHF 파이프라인에서 실제 인간 데이터를 대체할 것을 제안합니다. 이 RLAIF(강화 학습에서 AI 피드백) 방법으로 훈련된 모델은 RLHF 기준선과 비슷한 강력한 성능을 보여줍니다. 일반적으로 합성 데이터는 저비용으로 대규모의 다양하고 통제된 훈련 데이터 세트를 생성할 수 있으므로 인간의 가치와 선호도를 정렬하는 강력한 솔루션을 제공합니다(Cui et al., 2023; Ganguli et al., 2022). 윤리적 딜레마(Perez et al., 2022), 사회적 상호작용(Liu et al., 2023c), 문화적 규범(Ziems et al., 2023)과 관련된 다양한 시나리오를 시뮬레이션함으로써 합성 데이터는 AI 모델이 인간의 가치와 얼마나 잘 일치하는지에 대한 포괄적이고 체계적인 테스트를 가능하게 합니다(Askell et al., 2021). 이러한 접근 방식은 AI 시스템이 실제 환경에 배포되기 전에 편향성(Liu et al., 2021; Ntoutsi et al., 2020), 공정성(Landers and Behrend, 2023; Zhao et al., 2018) 및 의도하지 않은 결과와 관련된 문제를 식별하고 완화하는 데 도움이 됩니다(Ye et al., 2024).

Large language models (LLMs) mainly refer to transformer-based neural language models 1 that contain tens to hundreds of billions of parameters, which are pre-trained on massive text data, such as PaLM [31], LLaMA [32], and GPT-4 [33], as summarized in Table III. Comparedto PLMs, LLMs are not only much larger in model size, but also exhibit stronger language understanding and generation abilities, and more importantly, emergent abilities that are not present in smaller-scale language models. As illustrated in Fig. 1, these emergent abilities include (1) in-context learning, where LLMs learn a new task from a small set of examples presented in the prompt at inference time, (2) instruction following, where LLMs, after instruction tuning, can follow the instructions for new types of tasks without using explicit examples, and (3) multi-step reasoning, where LLMs can solve a complex task by breaking down that task into intermediate reasoning steps as demonstrated in the chain-of-thought prompt [34]. LLMs can also be augmented by using external knowledge and tools [35, 36] so that they can effectively interact with users and environment [37], and continually improve itself using feedback data collected through interactions (e.g. via reinforcement learning with human feedback (RLHF)).

대규모 언어 모델(LLM)은 주로 파라미터 수가 수십에서 수백억 개에 달하는 Transformer 기반 신경 언어 모델을 말하며, 표 III에 요약된 것처럼 PaLM [31], LLaMA [32], GPT-4 [33]와 같이 방대한 텍스트 데이터에 대해 사전 학습을 거친 모델을 말합니다. LLM은 PLM에 비해 모델 크기가 훨씬 크기는 물론 언어 이해 및 생성 능력이 뛰어나며, 더 중요한 것은 소규모 언어 모델에는 없는 새로운 능력을 보여줍니다. 그림 1과 같이 이러한 새로운 능력에는 (1) 추론 시간에 프롬프트에 제시된 소수의 예제를 통해 새로운 작업을 학습하는 In-Context Learning, (2) 명시적인 예제를 사용하지 않고도 Instruction Tuning을 거친 후 새로운 유형의 작업에 대한 명령을 따를 수 있는 Instruction Following, (3) 연쇄 사고 프롬프트 [34]에서처럼 복잡한 작업을 중간 추론 단계로 분해하여 해결할 수 있는 다단계 추론 등이 있습니다. LLM은 외부 지식과 도구를 사용하여 증강할 수도 있으므로 사용자 및 환경과 효과적으로 상호 작용할 수 있으며 [35, 36] 상호 작용을 통해 수집한 피드백 데이터를 사용하여 (예: Reinforcement Learning from Human Feedback (RLHF)을 이용한 강화 학습) 지속적으로 자신을 개선할 수 있습니다.

대규모 언어 모델(LLM)은 주로 파라미터 수가 수십에서 수백억 개에 달하는 트랜스포머 기반 신경 언어 모델을 말하며, 표 III에 요약된 것처럼 PaLM [31], LLaMA [32], GPT-4 [33]와 같이 방대한 텍스트 데이터에 대해 사전 학습을 거친 모델을 말합니다. LLM은 PLM에 비해 모델 크기가 훨씬 크기는 물론 언어 이해 및 생성 능력이 뛰어나며, 더 중요한 것은 소규모 언어 모델에는 없는 새로운 능력을 보여줍니다. 그림 1과 같이 이러한 새로운 능력에는 (1) 추론 시간에 프롬프트에 제시된 소수의 예제를 통해 새로운 작업을 학습하는 인컨텍스트 학습, (2) 명시적인 예제를 사용하지 않고도 명령어 튜닝을 거친 후 새로운 유형의 작업에 대한 명령을 따를 수 있는 명령어 수행, (3) 연쇄 사고 프롬프트 [34]에서처럼 복잡한 작업을 중간 추론 단계로 분해하여 해결할 수 있는 다단계 추론 등이 있습니다. LLM은 외부 지식과 도구를 사용하여 증강할 수도 있으므로 사용자 및 환경과 효과적으로 상호 작용할 수 있으며 [35, 36] 상호 작용을 통해 수집한 피드백 데이터를 사용하여 (예: 사람과의 피드백(RLHF)을 이용한 강화 학습) 지속적으로 자신을 개선할 수 있습니다.

Large unsupervised language models (LMs) trained on very large datasets acquire surprising capabilities [11; 7; 40; 8]. However, these models are trained on data generated by humans with a wide variety of goals, priorities, and skillsets. Some of these goals and skillsets may not be desirable to imitate; for example, while we may want our AI coding assistant to _understand_ common programming mistakes in order to correct them, nevertheless, when generating code, we would like to bias our model toward the (potentially rare) high-quality coding ability present in its training data. Similarly, we might want our language model to be _aware_ of a common misconception believed by 50% of people, but we certainly do not want the model to claim this misconception to be true in 50% of queries about it! In other words, selecting the model's _desired responses and behavior_ from its very wide _knowledge and abilities_ is crucial to building AI systems that are safe, performant, and controllable [26]. While existing methods typically steer LMs to match human preferences using reinforcement learning (RL),we will show that the RL-based objective used by existing methods can be optimized exactly with a simple binary cross-entropy objective, greatly simplifying the preference learning pipeline.

매우 방대한 데이터 세트에 대해 학습된 대규모 비지도 언어 모델(LMs)은 놀라운 기능을 습득합니다[11; 7; 40; 8]. 그러나 이러한 모델은 다양한 목표, 우선순위 및 스킬셋을 가진 사람들이 생성한 데이터에 대해 학습됩니다. 이러한 목표와 스킬셋 중 일부는 모방하기에 바람직하지 않을 수 있습니다. 예를 들어, AI 코딩 도우미가 프로그래밍 실수를 바로잡기 위해 일반적인 프로그래밍 실수를 _이해_하기를 원할 수는 있지만, 코드를 생성할 때는 훈련 데이터에 존재하는 (잠재적으로 드문) 고품질 코딩 능력에 모델을 편향시키고 싶을 것입니다. 마찬가지로 언어 모델이 사람들의 50%가 믿고 있는 일반적인 오해를 _인식_하기를 원할 수도 있지만, 모델이 이 오해를 50%의 쿼리에서 사실이라고 주장하는 것은 결코 원하지 않을 것입니다! 즉, 매우 넓은 _지식과 능력_에서 모델의 _원하는 응답과 행동_을 선택하는 것은 안전하고 성능이 뛰어나며 제어 가능한 AI 시스템을 구축하는 데 매우 중요합니다[26]. 기존 방법은 일반적으로 Reinforcement Learning (RL)을 사용하여 인간의 선호도에 맞게 모델을 조정하지만, 기존 방법에서 사용되는 RL 기반 Objective는 간단한 이진 교차 엔트로피 Objective로 정확하게 최적화할 수 있으므로 선호도 학습 파이프라인을 크게 단순화할 수 있습니다.

매우 방대한 데이터 세트에 대해 학습된 대규모 비지도 언어 모델(LM)은 놀라운 기능을 습득합니다[11; 7; 40; 8]. 그러나 이러한 모델은 다양한 목표, 우선순위 및 스킬셋을 가진 사람들이 생성한 데이터에 대해 학습됩니다. 이러한 목표와 스킬셋 중 일부는 모방하기에 바람직하지 않을 수 있습니다. 예를 들어, AI 코딩 도우미가 프로그래밍 실수를 바로잡기 위해 일반적인 프로그래밍 실수를 _이해_하기를 원할 수는 있지만, 코드를 생성할 때는 훈련 데이터에 존재하는 (잠재적으로 드문) 고품질 코딩 능력에 모델을 편향시키고 싶을 것입니다. 마찬가지로 언어 모델이 사람들의 50%가 믿고 있는 일반적인 오해를 _인식_하기를 원할 수도 있지만, 모델이 이 오해를 50%의 쿼리에서 사실이라고 주장하는 것은 결코 원하지 않을 것입니다! 즉, 매우 넓은 _지식과 능력_에서 모델의 _원하는 응답과 행동_을 선택하는 것은 안전하고 성능이 뛰어나며 제어 가능한 AI 시스템을 구축하는 데 매우 중요합니다[26]. 기존 방법은 일반적으로 강화 학습(RL)을 사용하여 인간의 선호도에 맞게 모델을 조정하지만, 기존 방법에서 사용되는 RL 기반 목표는 간단한 이진 교차 엔트로피 목표로 정확하게 최적화할 수 있으므로 선호도 학습 파이프라인을 크게 단순화할 수 있습니다.

\(\bullet\)_Reward model based approaches._ The reward model in RLHF has been trained to measure the alignment degree on the responses of LLMs. It is straightforward to leverage existing reward models to select high-quality responses as alignment data for subsequent fine-tuning. Based on this idea, RAFT [373] adopts reward models trained on human preference data to rank the responses of LLMs and collect those with higher rewards for supervised fine-tuning. In addition, the reward model can be also used to score model responses and assign them to different quality groups. Quark [384] sorts the responses of LLMs into different quantiles based on the reward scores. Each quantile is attached with a special reward token to represent the reward level of the quantile. Conditioned on the highest-reward tokens, LLMs are subsequently prompted to generate high-quality responses. Given an initial answer and the corresponding human feedback, ILF [385] first adopts LLMs to generate refined answers, then utilizes the reward model to select the answer that best matches the feedback for further training. As valuable resources for aligning LLMs, several reward models have been released, including DeBERTabase/large/xlarge from OpenAssistant27, Moss-7B from Fudan28, and Flan-T5-xl from Stanford29.

\(\bullet\)_보상 모델 기반 접근 방식._ RLHF의 보상 모델은 LLM의 응답에 대한 정렬 정도를 측정하도록 훈련되었습니다. 기존 보상 모델을 활용하여 고품질 응답을 선별하여 후속 Fine-tuning을 위한 정렬 데이터로 사용하는 것은 간단합니다. 이 아이디어를 기반으로 RAFT [373]는 사람의 선호도 데이터에 대해 학습된 보상 모델을 채택하여 LLM의 응답을 순위화하고 보상이 더 높은 응답을 수집하여 Supervised Fine-tuning에 사용합니다. 또한 보상 모델을 사용하여 모델 응답에 점수를 부여하고 여러 품질 그룹에 할당할 수도 있습니다. Quark [384]는 보상 점수를 기반으로 LLM의 응답을 여러 분위수로 분류합니다. 각 분위수에는 해당 분위수의 보상 수준을 나타내는 특수 보상 토큰이 첨부됩니다. 가장 높은 보상 토큰을 조건으로 LLM은 후속적으로 고품질 응답을 생성하도록 프롬프트됩니다. 초기 답변과 그에 해당하는 사람의 피드백이 주어지면 ILF [385]는 먼저 LLM을 채택하여 정제된 답변을 생성한 다음 보상 모델을 활용하여 피드백과 가장 잘 일치하는 답변을 선택하여 추가 훈련을 수행합니다. LLM을 정렬하기 위한 귀중한 리소스로서 OpenAssistant27의 DeBERTabase/large/xlarge, Fudan28의 Moss-7B, Stanford29의 Flan-T5-xl 등 여러 보상 모델이 공개되었습니다.

\(\bullet\)_보상 모델 기반 접근 방식._ RLHF의 보상 모델은 LLM의 응답에 대한 정렬 정도를 측정하도록 훈련되었습니다. 기존 보상 모델을 활용하여 고품질 응답을 선별하여 후속 미세 조정을 위한 정렬 데이터로 사용하는 것은 간단합니다. 이 아이디어를 기반으로 RAFT [373]는 사람의 선호도 데이터에 대해 학습된 보상 모델을 채택하여 LLM의 응답을 순위화하고 보상이 더 높은 응답을 수집하여 지도 미세 조정에 사용합니다. 또한 보상 모델을 사용하여 모델 응답에 점수를 부여하고 여러 품질 그룹에 할당할 수도 있습니다. Quark [384]는 보상 점수를 기반으로 LLM의 응답을 여러 분위수로 분류합니다. 각 분위수에는 해당 분위수의 보상 수준을 나타내는 특수 보상 토큰이 첨부됩니다. 가장 높은 보상 토큰을 조건으로 LLM은 후속적으로 고품질 응답을 생성하도록 프롬프트됩니다. 초기 답변과 그에 해당하는 사람의 피드백이 주어지면 ILF [385]는 먼저 LLM을 채택하여 정제된 답변을 생성한 다음 보상 모델을 활용하여 피드백과 가장 잘 일치하는 답변을 선택하여 추가 훈련을 수행합니다. LLM을 정렬하기 위한 귀중한 리소스로서 OpenAssistant27의 DeBERTabase/large/xlarge, Fudan28의 Moss-7B, Stanford29의 Flan-T5-xl 등 여러 보상 모델이 공개되었습니다.

Several related works apply continual pre-training to specific tasks and domains (Sun et al., 2020; Jang et al., 2022; 2022; Gong et al., 2022; Zan et al., 2022; Yadav et al., 2023; Ma et al., 2023; Yang et al., 2024). While these works also utilize continual pre-training techniques, they differ from our work by focusing on particular domains instead of general pre-training techniques, on smaller-scale datasets \(<\) 10B tokens with smaller models. The only existing work that approaches our dataset scale is (Gogoulou et al., 2023), which explores continual autoregressive language modeling across English, Danish, Icelandic, and Norwegian datasets (73B each). While they do not use replay they do re-warm and re-decay the learning rate. The only existing work that approaches our model scale is (Yang et al., 2024). They continually pre-train and instruction tune LLaMA2 on small-scale academic plant science data. This concurrent work uses a very similar continual learning setup to the one we propose: replay, LR re-warming, and LR re-decaying. While, unlike our work, they _do not_ build a controlled experimental framework to systematically evaluate the validity of these approaches for continual pre-training, it is nice to see further experimental evidence validating our approach.

몇 가지 관련 연구에서는 특정 작업과 도메인에 지속적인 사전 학습을 적용합니다(Sun et al., 2020; Jang et al., 2022; 2022; Gong et al., 2022; Zan et al., 2022; Yadav et al., 2023; Ma et al., 2023; Yang et al., 2024). 이러한 작업에서도 지속적인 사전 학습 기법을 활용하지만, 일반적인 사전 학습 기법이 아닌 특정 도메인에 초점을 맞추고, 더 작은 규모의 데이터 세트(<10B 토큰)와 더 작은 모델을 사용한다는 점에서 저희 작업과는 다릅니다. 데이터 세트 규모에 접근하는 유일한 기존 작업은 영어, 덴마크어, 아이슬란드어, 노르웨이어 데이터 세트(각각 73B)에 걸쳐 지속적인 자동 회귀 언어 모델링을 탐구하는 (Gogoulou et al., 2023)입니다. 리플레이를 사용하지는 않지만 Learning Rate를 다시 예열하고 다시 감소시킵니다. 모델 규모에 접근하는 유일한 기존 작업은 (Yang et al., 2024)입니다. 이들은 소규모 학술 식물 과학 데이터에 대해 LLaMA2를 지속적으로 사전 학습하고 Instruction을 조정합니다. 이 동시 작업은 우리가 제안하는 것과 매우 유사한 지속 학습 설정, 즉 리플레이, LR 재가열 및 LR 재감쇠를 사용합니다. 우리 연구와 달리 이러한 접근 방식의 지속적 사전 학습에 대한 타당성을 체계적으로 평가하기 위한 통제된 실험 프레임워크를 구축하지는 않았지만, 우리 접근 방식을 검증하는 추가 실험적 증거를 확인할 수 있어 좋습니다.

몇 가지 관련 연구에서는 특정 작업과 도메인에 지속적인 사전 학습을 적용합니다(Sun et al., 2020; Jang et al., 2022; 2022; Gong et al., 2022; Zan et al., 2022; Yadav et al., 2023; Ma et al., 2023; Yang et al., 2024). 이러한 작업에서도 지속적인 사전 학습 기법을 활용하지만, 일반적인 사전 학습 기법이 아닌 특정 도메인에 초점을 맞추고, 더 작은 규모의 데이터 세트(<10B 토큰)와 더 작은 모델을 사용한다는 점에서 저희 작업과는 다릅니다. 데이터 세트 규모에 접근하는 유일한 기존 작업은 영어, 덴마크어, 아이슬란드어, 노르웨이어 데이터 세트(각각 73B)에 걸쳐 지속적인 자동 회귀 언어 모델링을 탐구하는 (Gogoulou et al., 2023)입니다. 리플레이를 사용하지는 않지만 학습 속도를 다시 예열하고 다시 감소시킵니다. 모델 규모에 접근하는 유일한 기존 작업은 (Yang et al., 2024)입니다. 이들은 소규모 학술 식물 과학 데이터에 대해 LLaMA2를 지속적으로 사전 학습하고 지침을 조정합니다. 이 동시 작업은 우리가 제안하는 것과 매우 유사한 지속 학습 설정, 즉 리플레이, LR 재가열 및 LR 재감쇠를 사용합니다. 우리 연구와 달리 이러한 접근 방식의 지속적 사전 학습에 대한 타당성을 체계적으로 평가하기 위한 통제된 실험 프레임워크를 구축하지는 않았지만, 우리 접근 방식을 검증하는 추가 실험적 증거를 확인할 수 있어 좋습니다.

**Closed-Book QA.** Closed-book QA tasks [652] test the acquired factual knowledge of LLMs from the pre-training corpus, where LLMs should answer the question only based on the given context without using external resources. For evaluating this ability, there are several datasets that can be leveraged, including Natural Questions [554], Web Questions [557], and TriviaQA [558], where the accuracy metric is widely adopted. Empirical results have revealed that LLMs can perform well in this setting and even match the performance of state-of-the-art open-domain QA systems [56]. Also, the performance of LLMs on closed-book QA tasks shows a scaling law pattern in terms of both model size and data size: scaling the parameters and training tokens can increase the capacity of LLMs and help them learn (or memorize) more knowledge from the pre-training data [56]. Further, under a similar parameter scale, LLMs with more pre-training data relevant to the evaluated tasks would achieve better performance [81]. Also, the closed-book QA setting provides a testbed for probing the accuracy of the factual knowledge encoded by LLMs. However, as shown in existing work [55], LLMs might perform less well on QA tasks relying on fine-grained knowledge, even when it exists in the pre-training data.

**폐쇄형 서두 QA**. 폐쇄형 서두 QA 작업[652]은 사전 학습 코퍼스에서 LLM의 사실적 지식을 습득하는 것을 테스트하는 것으로, LLM은 외부 리소스를 사용하지 않고 주어진 컨텍스트에만 기반하여 질문에 답해야 합니다. 이러한 능력을 평가하기 위해 Natural Questions[554], Web Questions[557], TriviaQA[558] 등 여러 데이터 세트를 활용할 수 있으며, 정확도 메트릭이 널리 채택되고 있습니다. 실험 결과에 따르면 LLM은 이 설정에서 우수한 성능을 발휘할 수 있으며 심지어 최신 오픈 도메인 QA 시스템의 성능과도 일치할 수 있습니다[56]. 또한 폐쇄형 서두 QA 작업에서 LLM의 성능은 모델 규모와 데이터 규모 측면에서 scaling law 패턴을 보여줍니다. 파라미터와 학습 토큰을 확장하면 LLM의 용량을 늘릴 수 있고 사전 학습 데이터에서 더 많은 지식을 학습(또는 암기)하는 데 도움이 될 수 있습니다[56]. 또한, 유사한 파라미터 규모에서 평가된 작업과 관련된 사전 학습 데이터가 더 많은 LLM이 더 나은 성능을 달성할 수 있습니다[81]. 또한 폐쇄형 서두 QA 설정은 LLM이 인코딩한 사실적 지식의 정확성을 테스트할 수 있는 테스트베드를 제공합니다. 그러나 기존 연구[55]에서와 같이, LLM은 사전 학습 데이터에 미세한 지식이 존재하더라도 QA 작업에서 성능이 떨어질 수 있습니다.

**폐쇄형 서두 QA**. 폐쇄형 서두 QA 작업[652]은 사전 학습 코퍼스에서 LLM의 사실적 지식을 습득하는 것을 테스트하는 것으로, LLM은 외부 리소스를 사용하지 않고 주어진 컨텍스트에만 기반하여 질문에 답해야 합니다. 이러한 능력을 평가하기 위해 Natural Questions[554], Web Questions[557], TriviaQA[558] 등 여러 데이터 세트를 활용할 수 있으며, 정확도 메트릭이 널리 채택되고 있습니다. 실험 결과에 따르면 LLM은 이 설정에서 우수한 성능을 발휘할 수 있으며 심지어 최신 오픈 도메인 QA 시스템의 성능과도 일치할 수 있습니다[56]. 또한 폐쇄형 서두 QA 작업에서 LLM의 성능은 모델 규모와 데이터 규모 측면에서 스케일링 법칙 패턴을 보여줍니다. 파라미터와 학습 토큰을 확장하면 LLM의 용량을 늘릴 수 있고 사전 학습 데이터에서 더 많은 지식을 학습(또는 암기)하는 데 도움이 될 수 있습니다[56]. 또한, 유사한 파라미터 규모에서 평가된 작업과 관련된 사전 학습 데이터가 더 많은 LLM이 더 나은 성능을 달성할 수 있습니다[81]. 또한 폐쇄형 서두 QA 설정은 LLM이 인코딩한 사실적 지식의 정확성을 테스트할 수 있는 테스트베드를 제공합니다. 그러나 기존 연구[55]에서와 같이, LLM은 사전 학습 데이터에 미세한 지식이 존재하더라도 QA 작업에서 성능이 떨어질 수 있습니다.

Generating multilingual questions and answers at scale.Recent studies explore the generation and utilization of synthetic multilingual question-answer (QA) pairs to improve language models'performance in multilingual and cross-lingual question answering (Abulkhanov et al., 2023; Asai et al., 2021; Chi et al., 2020; Kumar et al., 2019; Li and Callison-Burch, 2023; Riabi et al., 2021). One approach is to translate existing monolingual questions and/or answers into other languages (Asai et al., 2021). Another involves using Question Generation (QG) models to produce synthetic questions in a cross-lingual fashion based on answers and/or source texts (Chi et al., 2020; Kumar et al., 2019; Riabi et al., 2021). Recent efforts also focus on jointly generating questions and answers in multiple languages for greater flexibility (Li and Callison-Burch, 2023; Shakeri et al., 2021). For example, Shakeri et al. (2021) finetune a pretrained multilingual T5 model (Xue et al., 2020) on a mixture of a QA generation task and a multilingual masked language modeling task to produce synthetic QA pairs in multiple languages. These efforts generally show that language models trained on synthetic QA pairs demonstrate improved performance on multilingual QA and information retrieval benchmarks.

다국어 질문과 답변을 대규모로 생성합니다. 최근 연구에서는 다국어 및 다국어 질문 답변(Abulkhanov et al., 2023; Asai et al., 2021; Chi et al., 2020; Kumar et al., 2019; Li and Callison-Burch, 2023; Riabi et al., 2021)에서 언어 모델의 성능을 개선하기 위해 합성 다국어 질문 답변(QA) 쌍의 생성과 활용을 탐구합니다. 한 가지 접근 방식은 기존 단일 언어 질문 및/또는 답변을 다른 언어로 번역하는 것입니다(Asai et al., 2021). 또 다른 접근 방식은 Question Generation (QG) 모델을 사용하여 답변 및/또는 소스 텍스트를 기반으로 다국어 방식으로 합성 질문을 생성하는 것입니다(Chi et al., 2020; Kumar et al., 2019; Riabi et al., 2021). 최근의 노력은 더 큰 유연성을 위해 여러 언어로 질문과 답변을 공동으로 생성하는 데 중점을 두고 있습니다(Li and Callison-Burch, 2023; Shakeri et al., 2021). 예를 들어, Shakeri et al.(2021)은 QA 생성 작업과 다국어 마스크 언어 모델링 작업의 혼합물에 대해 사전 학습된 다국어 T5 모델(Xue et al., 2020)을 Fine-tuning하여 여러 언어로 합성 QA 쌍을 생성합니다. 이러한 노력은 일반적으로 합성 QA 쌍으로 학습된 언어 모델이 다국어 QA 및 정보 검색 벤치마크에서 향상된 성능을 보여준다는 것을 보여줍니다.

다국어 질문과 답변을 대규모로 생성합니다.최근 연구에서는 다국어 및 다국어 질문 답변(Abulkhanov et al., 2023; Asai et al., 2021; Chi et al., 2020; Kumar et al., 2019; Li and Callison-Burch, 2023; Riabi et al., 2021)에서 언어 모델의 성능을 개선하기 위해 합성 다국어 질문 답변(QA) 쌍의 생성과 활용을 탐구합니다. 한 가지 접근 방식은 기존 단일 언어 질문 및/또는 답변을 다른 언어로 번역하는 것입니다(Asai et al., 2021). 또 다른 접근 방식은 질문 생성(QG) 모델을 사용하여 답변 및/또는 소스 텍스트를 기반으로 다국어 방식으로 합성 질문을 생성하는 것입니다(Chi et al., 2020; Kumar et al., 2019; Riabi et al., 2021). 최근의 노력은 더 큰 유연성을 위해 여러 언어로 질문과 답변을 공동으로 생성하는 데 중점을 두고 있습니다(Li and Callison-Burch, 2023; Shakeri et al., 2021). 예를 들어, Shakeri et al.(2021)은 QA 생성 작업과 다국어 마스크 언어 모델링 작업의 혼합물에 대해 사전 학습된 다국어 T5 모델(Xue et al., 2020)을 미세 조정하여 여러 언어로 합성 QA 쌍을 생성합니다. 이러한 노력은 일반적으로 합성 QA 쌍으로 학습된 언어 모델이 다국어 QA 및 정보 검색 벤치마크에서 향상된 성능을 보여준다는 것을 보여줍니다.

This survey comprehensively examines existing RAG models, summarizing their core techniques into four main steps from a retrieval perspective. It recognizes that some methods may encompass multiple steps and that decoupling these steps could potentially obscure their intrinsic connections. Nevertheless, the primary objective is to simplify the complexity of the approach, clearly delineating the specific problems it addresses. This allows for a clearer identification of areas ripe for further optimization and improvement. Despite the thorough investigation, the rapid evolution of the field and page limits mean that certain aspects might not have been fully analyzed and explored, or recent developments could have been missed. While the paper references evaluation methods that can aid in the development of RAG, it also acknowledges mature tools like LangChain and LlamaIndex as useful resources. However, the focus of this survey is not on detailing the evaluation pipeline or how these tools are specifically used, but rather on illustrating how evaluation aspects can support the advancement of RAG. This choice highlights an area for future work, emphasizing the importance of methodological clarity and the application of evaluation tools in refining and enhancing RAG models.

이 설문조사는 기존 Retrieval-augmented generation (RAG) 모델을 종합적으로 조사하여 검색 관점에서 핵심 기술을 네 가지 주요 단계로 요약합니다. 일부 방법은 여러 단계를 포함할 수 있으며 이러한 단계를 분리하면 본질적인 연관성이 모호해질 수 있다는 점을 인식하고 있습니다. 그럼에도 불구하고, 이 방법의 주요 목표는 접근 방식의 복잡성을 단순화하여 구체적인 문제를 명확하게 구분하는 것입니다. 이를 통해 추가 최적화 및 개선이 필요한 영역을 더 명확하게 파악할 수 있습니다. 철저한 조사에도 불구하고 이 분야의 급격한 발전과 페이지 제한으로 인해 특정 측면을 완전히 분석하고 탐구하지 못했거나 최근의 발전을 놓쳤을 수 있습니다. 이 백서에서는 RAG 개발에 도움이 될 수 있는 평가 방법을 언급하고 있지만, LangChain 및 LlamaIndex와 같은 성숙한 도구도 유용한 리소스로 인정하고 있습니다. 그러나 이 설문조사의 초점은 평가 파이프라인이나 이러한 도구가 구체적으로 어떻게 사용되는지에 대한 자세한 내용이 아니라 평가 측면이 RAG의 발전을 어떻게 지원할 수 있는지를 설명하는 데 있습니다. 이러한 선택은 향후 연구 분야를 강조하며, 방법론적 명확성과 RAG 모델을 개선하고 향상시키는 데 있어 평가 도구의 중요성을 강조합니다.

이 설문조사는 기존 RAG 모델을 종합적으로 조사하여 검색 관점에서 핵심 기술을 네 가지 주요 단계로 요약합니다. 일부 방법은 여러 단계를 포함할 수 있으며 이러한 단계를 분리하면 본질적인 연관성이 모호해질 수 있다는 점을 인식하고 있습니다. 그럼에도 불구하고, 이 방법의 주요 목표는 접근 방식의 복잡성을 단순화하여 구체적인 문제를 명확하게 구분하는 것입니다. 이를 통해 추가 최적화 및 개선이 필요한 영역을 더 명확하게 파악할 수 있습니다. 철저한 조사에도 불구하고 이 분야의 급격한 발전과 페이지 제한으로 인해 특정 측면을 완전히 분석하고 탐구하지 못했거나 최근의 발전을 놓쳤을 수 있습니다. 이 백서에서는 RAG 개발에 도움이 될 수 있는 평가 방법을 언급하고 있지만, LangChain 및 LlamaIndex와 같은 성숙한 도구도 유용한 리소스로 인정하고 있습니다. 그러나 이 설문조사의 초점은 평가 파이프라인이나 이러한 도구가 구체적으로 어떻게 사용되는지에 대한 자세한 내용이 아니라 평가 측면이 RAG의 발전을 어떻게 지원할 수 있는지를 설명하는 데 있습니다. 이러한 선택은 향후 연구 분야를 강조하며, 방법론적 명확성과 RAG 모델을 개선하고 향상시키는 데 있어 평가 도구의 중요성을 강조합니다.

\begin{table} \begin{tabular}{c c c c c c c c} \hline \hline & & \multicolumn{2}{c}{**GitHub**} & \multicolumn{2}{c}{**Books3**} & \multicolumn{2}{c}{**Pile-CC**} \\ \cline{2-7} **Method** & **\# Coeff.** & Train & Validation & Train & Validation & Train & Validation \\ \hline Random & - & 0.8895 & 0.8758 & 0.1291 & 0.1331 & 0.0768 & 0.1045 \\ M1 & 2M+1 & **0.0292** & **0.0312** & 0.0082 & 0.0121 & 0.0045 & **0.0050** \\ M2 & M+2 & 0.1558 & 0.3327 & 0.0114 & 0.0119 & 0.0072 & 0.0083 \\ M3 & M+2 & 0.3389 & 0.2177 & 0.0914 & 0.0465 & 0.0746 & 0.0947 \\ M4 & M+2 & 0.0298 & 0.0365 & **0.0062** & **0.0074** & **0.0036** & 0.0078 \\ \hline \hline \end{tabular} \end{table} Table 1: Mean absolute errors (MAE) of different candidate functions for predicting the target domain losses. We also include random guesses that randomly predict between the maximum and minimum loss of the training samples for reference. In specific, we report the MAE of the expectation of this random guess which predicts the median of the maximum and minimum loss. The training data contain \(M=3\) domains and we fit each function with the same 24 mixtures and validate on 8 other mixtures. The split is random. The lowest error for each target domain are in **bold** while the second lowest are underlined.

\begin{table} \begin{tabular}{c c c c c c c c} \hline \hline & & \multicolumn{2}{c}{**GitHub**} & \multicolumn{2}{c}{**Books3**} & \multicolumn{2}{c}{**Pile-CC**} \\ \cline{2-7} **Method** & **\# Coeff.** & Train & Validation & Train & Validation & Train & Validation \\ \hline Random & - & 0.8895 & 0.8758 & 0.1291 & 0.1331 & 0.0768 & 0.1045 \\ M1 & 2M+1 & **0.0292** & **0.0312** & 0.0082 & 0.0121 & 0.0045 & **0.0050** \\ M2 & M+2 & 0.1558 & 0.3327 & 0.0114 & 0.0119 & 0.0072 & 0.0083 \\ M3 & M+2 & 0.3389 & 0.2177 & 0.0914 & 0.0465 & 0.0746 & 0.0947 \\ M4 & M+2 & 0.0298 & 0.0365 & **0.0062** & **0.0074** & **0.0036** & 0.0078 \\ \hline \hline \end{tabular} \end{table} 표 1: 대상 도메인 손실을 예측하기 위한 다양한 후보 함수의 평균 절대 오차(MAE). 참조용으로 훈련 샘플의 최대 손실과 최소 손실 사이를 무작위로 예측하는 랜덤 추측도 포함합니다. 특히 최대 손실과 최소 손실의 중앙값을 예측하는 이 무작위 추측의 기대값의 MAE를 보고합니다. 훈련 데이터에는 \(M=3\) 도메인이 포함되며, 각 함수를 동일한 24개의 혼합물로 맞추고 다른 8개의 혼합물에 대해 유효성을 검사합니다. 분할은 무작위입니다. 각 대상 도메인의 최저 오차는 **굵게** 표시되어 있고 두 번째로 낮은 오차는 밑줄이 그어져 있습니다.

\begin{table} \begin{tabular}{c c c c c c c c} \hline \hline & & \multicolumn{2}{c}{**GitHub**} & \multicolumn{2}{c}{**Books3**} & \multicolumn{2}{c}{**Pile-CC**} \\ \cline{2-7} **Method** & **\# Coeff.** & Train & Validation & Train & Validation & Train & Validation \\ \hline Random & - & 0.8895 & 0.8758 & 0.1291 & 0.1331 & 0.0768 & 0.1045 \\ M1 & 2M+1 & **0.0292** & **0.0312** & 0.0082 & 0.0121 & 0.0045 & **0.0050** \\ M2 & M+2 & 0.1558 & 0.3327 & 0.0114 & 0.0119 & 0.0072 & 0.0083 \\ M3 & M+2 & 0.3389 & 0.2177 & 0.0914 & 0.0465 & 0.0746 & 0.0947 \\ M4 & M+2 & 0.0298 & 0.0365 & **0.0062** & **0.0074** & **0.0036** & 0.0078 \\ \hline \hline \end{tabular} \end{table} 표 1: 대상 도메인 손실을 예측하기 위한 다양한 후보 함수의 평균 절대 오차(MAE). 참조용으로 훈련 샘플의 최대 손실과 최소 손실 사이를 무작위로 예측하는 랜덤 추측도 포함합니다. 특히 최대 손실과 최소 손실의 중앙값을 예측하는 이 무작위 추측의 기대값의 MAE를 보고합니다. 훈련 데이터에는 \(M=3\) 도메인이 포함되며, 각 함수를 동일한 24개의 혼합물로 맞추고 다른 8개의 혼합물에 대해 유효성을 검사합니다. 분할은 무작위입니다. 각 대상 도메인의 최저 오차는 **굵게 표시되어 있고 두 번째로 낮은 오차는 밑줄이 그어져 있습니다.

In contrast to these prior works we sought to anchor our human evaluation in criteria more commonly used for evaluating the quality of physicians' expertise in history-taking, including their communication skills in consultation. We derived a framework from principles published in reviews of the consensus for best practices for patient-centered communication (PCCBP) in medical interviews [20], criteria examined for history-taking skills by the Royal College of Physicians in the UK as part of their Practical Assessment of Clinical Examination Skills (PACES)3[30], and criteria proposed by the UK General Medical Council Patient Questionnaire (GMCPQ)4 for doctors seeking patient feedback as part of professional re-validation5. We iterated upon these criteria to refine items for inclusion and derived pilot scales and instructions for assessment by using focus groups and interviews with clinicians and OSCE examiners based in the UK, Canada, US, and India. Our resulting pilot framework enabled assessment from two perspectives: clinician (board-certifiedphysicians) and lay raters (patient actors). The framework included consideration of consultation quality, structure and completeness, the roles, responsibilities, and skills of the interviewer (Tables A.1, A.2, A.3, and A.4).

# 출력 이러한 선행 연구와는 달리 우리는 상담 시 의사의 의사소통 능력을 포함하여 병력 청취의 품질을 평가하는 데 더 일반적으로 사용되는 기준에 대한 인간 평가를 기반으로 하려고 노력했습니다. 우리는 의료 면담에서 환자 중심 의사소통 모범 사례에 대한 합의에 대한 검토[20]에서 발표된 원칙, 영국 왕립 의과 대학에서 임상 진찰 기술 실기 평가(PACES)3[30]의 일환으로 병력 청취 기술에 대해 검토한 기준, 영국 일반 의사회 환자 설문지(GMCPQ)4에서 전문가 재검증5의 일환으로 환자 피드백을 구하는 의사를 위해 제안한 기준에서 프레임워크를 도출했습니다. 우리는 이러한 기준을 반복하여 포함할 항목을 구체화하고, 영국, 캐나다, 미국, 인도에 기반을 둔 임상의 및 OSCE 시험관들과의 포커스 그룹 및 인터뷰를 통해 평가를 위한 파일럿 척도와 Instruction을 도출했습니다. 그 결과 도출된 파일럿 프레임워크를 통해 임상의(보드 인증 전문의)와 일반 평가자(환자 배우자)의 두 가지 관점에서 평가할 수 있었습니다. 이 프레임워크에는 상담 품질, 구조 및 완전성, 면담자의 역할, 책임 및 기술 고려가 포함되었습니다(표 A.1, A.2, A.3 및 A.4).

이러한 선행 연구와는 달리 우리는 상담 시 의사의 의사소통 능력을 포함하여 병력 청취의 품질을 평가하는 데 더 일반적으로 사용되는 기준에 대한 인간 평가를 기반으로 하려고 노력했습니다. 우리는 의료 면담에서 환자 중심 의사소통 모범 사례에 대한 합의에 대한 검토[20]에서 발표된 원칙, 영국 왕립 의과 대학에서 임상 진찰 기술 실기 평가(PACES)3[30]의 일환으로 병력 청취 기술에 대해 검토한 기준, 영국 일반 의사회 환자 설문지(GMCPQ)4에서 전문가 재검증5의 일환으로 환자 피드백을 구하는 의사를 위해 제안한 기준에서 프레임워크를 도출했습니다. 우리는 이러한 기준을 반복하여 포함할 항목을 구체화하고, 영국, 캐나다, 미국, 인도에 기반을 둔 임상의 및 OSCE 시험관들과의 포커스 그룹 및 인터뷰를 통해 평가를 위한 파일럿 척도와 지침을 도출했습니다. 그 결과 도출된 파일럿 프레임워크를 통해 임상의(보드 인증 전문의)와 일반 평가자(환자 배우자)의 두 가지 관점에서 평가할 수 있었습니다. 이 프레임워크에는 상담 품질, 구조 및 완전성, 면담자의 역할, 책임 및 기술 고려가 포함되었습니다(표 A.1, A.2, A.3 및 A.4).

To handle the issues of only local relations captured by CNN/RNN/GNN models, the Transformer [13] proposed in the year 2017 learns the long-range feature representations well. The core operation is the self-attention mechanism which transforms the input tokens into query, key, and value features, and outputs the long-range features by multiplying the similarity matrix (obtained via product between the query and key features) with the value features. The Transformer architecture first swept the NLP community with the help of _pre-training and fine-tuning_ paradigm [14], such as BERT [15], ERNIE [16], BART [17], GPT [18]. Then, other communities are also boosted with such networks, for example, the ViT [19] and Swin-Transformer [20] released in computer vision. Many researchers also exploit the hybrid network architectures by combining Transformer and other networks, or adapting the Transformer for multi-modal research problems [21, 22]. In the current stage, large foundation models are emerging, and Parameter-Efficient Fine-Tuning (PEFT) strategies [23] also have been greatly developed. However, the current Transformer-based models still require high-end graphics cards with larger memory for training and testing/deployment, which greatly limits their wider application.

CNN/RNN/GNN 모델에서 캡처한 로컬 관계만 처리하는 문제를 해결하기 위해 2017년에 제안된 Transformer[13]는 원거리 특징 표현을 잘 학습합니다. 핵심 연산은 self-attention 메커니즘으로, 입력 토큰을 query, key, value 특징으로 변환하고, query 특징과 key 특징의 곱을 통해 얻은 유사도 행렬을 value 특징과 곱하여 원거리 특징을 출력합니다. Transformer 아키텍처는 BERT [15], ERNIE [16], BART [17], GPT [18]와 같은 _pre-training 및 Fine-tuning_ 패러다임 [14]의 도움으로 먼저 NLP 커뮤니티를 휩쓸었습니다. 그 후 컴퓨터 비전에서 공개된 ViT [19] 및 Swin-Transformer [20]와 같은 네트워크로 다른 커뮤니티도 활성화되었습니다. 많은 연구자들은 Transformer와 다른 네트워크를 결합하거나 멀티모달 연구 문제에 맞게 Transformer를 적용하여 하이브리드 네트워크 아키텍처를 활용하고 있습니다[21, 22]. 현재 단계에서는 대규모 기반 모델이 등장하고 있으며, Parameter-Efficient Fine-Tuning (PEFT) 전략[23]도 크게 발전했습니다. 그러나 현재 Transformer 기반 모델은 여전히 훈련 및 테스트/배포를 위해 더 큰 메모리를 가진 하이엔드 그래픽 카드가 필요하기 때문에 더 폭넓게 적용되는 데 큰 제한이 있습니다.

CNN/RNN/GNN 모델에서 캡처한 로컬 관계만 처리하는 문제를 해결하기 위해 2017년에 제안된 트랜스포머[13]는 원거리 특징 표현을 잘 학습합니다. 핵심 연산은 자기 주의 메커니즘으로, 입력 토큰을 쿼리, 키, 값 특징으로 변환하고, 쿼리 특징과 키 특징의 곱을 통해 얻은 유사도 행렬을 값 특징과 곱하여 원거리 특징을 출력합니다. 트랜스포머 아키텍처는 BERT [15], ERNIE [16], BART [17], GPT [18]와 같은 _사전 학습 및 미세 조정_ 패러다임 [14]의 도움으로 먼저 NLP 커뮤니티를 휩쓸었습니다. 그 후 컴퓨터 비전에서 공개된 ViT [19] 및 Swin-Transformer [20]와 같은 네트워크로 다른 커뮤니티도 활성화되었습니다. 많은 연구자들은 트랜스포머와 다른 네트워크를 결합하거나 멀티모달 연구 문제에 맞게 트랜스포머를 적용하여 하이브리드 네트워크 아키텍처를 활용하고 있습니다[21, 22]. 현재 단계에서는 대규모 기반 모델이 등장하고 있으며, 매개변수 효율적인 미세 조정(PEFT) 전략[23]도 크게 발전했습니다. 그러나 현재 트랜스포머 기반 모델은 여전히 훈련 및 테스트/배포를 위해 더 큰 메모리를 가진 하이엔드 그래픽 카드가 필요하기 때문에 더 폭넓게 적용되는 데 큰 제한이 있습니다.

**Results with LLaMA-based Target LLMs.** Table 1 summarizes the performance of CodecLM and the comparing baselines with 2000 synthetic data for instruction tuning. All methods are trained on LLaMA-7B or -13B as the target LLM and compared against Gemini-Pro, the strong LLM that generates the data. CodecLM outperforms comparing methods consistently on all benchmarks, with two target LLMs of different sizes. The consistently superior performance of CodecLM highlights its generalizability to different downstream instruction distributions and target LLMs. Both Tree-Instruct and variants of WizardLM focus on the importance of instruction complexity, however, their performances are not always better than Alpagasus with simple instructions, especially with larger target LLM. This observation indicates that the effectiveness of data cannot be solely determined by instruction complexity, and validates the motivation of our design of Self-Rubrics and Contrastive Filtering. Moreover, the win of WizardLM+ over WizardLM confirms the efficacy of instruction distribution matching via instruction metadata. When shifting the target LLM from LLaMA-7B to -13B, all methods get a significant performance boost, which accords with prior discoveries on scaling model size Wei et al. (2021).

**LLaMA 기반 타겟 LLM의 결과.** 표 1은 Instruction Tuning을 위해 2000개의 합성 데이터로 CodecLM과 비교 Baseline의 성능을 요약한 것입니다. 모든 방법은 타겟 LLM으로 LLaMA-7B 또는 -13B에서 학습되며, 데이터를 생성하는 강력한 LLM인 Gemini-Pro와 비교됩니다. CodecLM은 서로 다른 크기의 두 가지 타겟 LLM을 통해 모든 벤치마크에서 비교 방법보다 뛰어난 성능을 보여줍니다. CodecLM의 일관된 우수한 성능은 다양한 다운스트림 Instruction 분포와 타겟 LLM에 대한 일반화 가능성을 강조합니다. Tree-Instruct와 WizardLM의 변형은 Instruction 복잡성의 중요성에 초점을 맞추고 있지만, 특히 대규모 타겟 LLM의 경우 단순한 Instruction을 가진 Alpagasus보다 성능이 항상 우수하지는 않습니다. 이러한 관찰 결과는 데이터의 효과가 Instruction 복잡성만으로 결정될 수 없음을 나타내며, Self-Rubrics와 Contrastive Filtering 설계의 동기를 검증합니다. 또한 WizardLM+가 WizardLM보다 우위를 점한 것은 Instruction 메타데이터를 통한 Instruction 분포 매칭의 효능을 확인시켜 줍니다. 타겟 LLM을 LLaMA-7B에서 -13B로 변경하면 모든 방법에서 상당한 성능 향상을 얻을 수 있으며, 이는 모델 크기 Wei 등(2021)의 확장에 대한 선행 연구와 일치합니다.

**LLaMA 기반 타겟 LLM의 결과.** 표 1은 명령어 튜닝을 위해 2000개의 합성 데이터로 코덱LM과 비교 베이스라인의 성능을 요약한 것입니다. 모든 방법은 타겟 LLM으로 LLaMA-7B 또는 -13B에서 학습되며, 데이터를 생성하는 강력한 LLM인 Gemini-Pro와 비교됩니다. 코덱LM은 서로 다른 크기의 두 가지 타겟 LLM을 통해 모든 벤치마크에서 비교 방법보다 뛰어난 성능을 보여줍니다. 코덱LM의 일관된 우수한 성능은 다양한 다운스트림 명령어 분포와 타겟 LLM에 대한 일반화 가능성을 강조합니다. 트리 인스트럭트와 위자드LM의 변형은 명령어 복잡성의 중요성에 초점을 맞추고 있지만, 특히 대규모 타겟 LLM의 경우 단순한 명령어를 가진 알파가수보다 성능이 항상 우수하지는 않습니다. 이러한 관찰 결과는 데이터의 효과가 명령어 복잡성만으로 결정될 수 없음을 나타내며, 셀프 루브릭과 대조 필터링 설계의 동기를 검증합니다. 또한 WizardLM+가 WizardLM보다 우위를 점한 것은 명령어 메타데이터를 통한 명령어 분포 매칭의 효능을 확인시켜 줍니다. 타겟 LLM을 LLaMA-7B에서 -13B로 변경하면 모든 방법에서 상당한 성능 향상을 얻을 수 있으며, 이는 모델 크기 Wei 등(2021)의 확장에 대한 선행 연구와 일치합니다.

* Context size: We set the context size to 2048, which determines the maximum number of tokens the model can consider simultaneously when generating text. * Maximum sequence length: We limit the generated sequence length to 512 tokens to ensure that the outputs remain focused and relevant to the input prompt. * Temperature: We set the temperature to 0.2, which controls the randomness of the sampling process. Lower values make the model generate more focused and deterministic outputs, while higher values increase diversity at the cost of coherence. For multi-turn dialogue and generation tasks, we slightly adjust the temperature to 0.5 to allow a more diverse output. * Top-\(k\) sampling: We use Top-\(k\) sampling with \(k=40\), meaning that the model selects its next token from the top 40 most probable tokens at each step, adding an element of randomness and diversity to the generated text. * Top-\(p\) sampling: We also employ Top-\(p\) sampling with \(p=0.9\), which further enhances diversity by considering a dynamic set of tokens that collectively account for 90% of the probability mass. * Repetition penalty: To discourage the model from generating repetitive text, we apply a repetition penalty with a factor of 1.1, penalizing tokens that have already been selected.

* Context size: 문맥 크기를 2048로 설정하여 모델이 텍스트를 생성할 때 동시에 고려할 수 있는 최대 토큰 수를 결정합니다. * Maximum sequence length: 생성된 시퀀스 길이를 512 토큰으로 제한하여 출력이 입력 프롬프트에 집중되고 관련성을 유지하도록 합니다. * Temperature: 온도를 0.2로 설정하여 샘플링 프로세스의 무작위성을 제어합니다. 값이 낮을수록 모델이 더 집중되고 결정론적인 출력을 생성하고, 값이 높을수록 일관성을 희생하면서 다양성을 높입니다. 다중 턴 대화 및 생성 작업의 경우 온도를 0.5로 약간 조정하여 더 다양한 출력을 허용합니다. * Top-\(k\) sampling: Top-\(k\) 샘플링을 \(k=40\)으로 사용하여 모델이 각 단계에서 가장 가능성이 높은 토큰 상위 40개 중에서 다음 토큰을 선택하도록 하여 생성된 텍스트에 무작위성과 다양성을 더합니다. * Top-\(p\) sampling: 또한, 집합적으로 확률 질량의 90%를 차지하는 동적 토큰 집합을 고려하여 다양성을 더욱 향상시키는 Top-\(p\) 샘플링을 \(p=0.9\)로 사용합니다. * Repetition penalty: 모델이 반복적인 텍스트를 생성하는 것을 방지하기 위해 1.1의 계수로 Repetition penalty를 적용하여 이미 선택된 토큰에 불이익을 줍니다.

* 문맥 크기: 문맥 크기를 2048로 설정하여 모델이 텍스트를 생성할 때 동시에 고려할 수 있는 최대 토큰 수를 결정합니다. * 최대 시퀀스 길이: 생성된 시퀀스 길이를 512 토큰으로 제한하여 출력이 입력 프롬프트에 집중되고 관련성을 유지하도록 합니다. * 온도: 온도를 0.2로 설정하여 샘플링 프로세스의 무작위성을 제어합니다. 값이 낮을수록 모델이 더 집중되고 결정론적인 출력을 생성하고, 값이 높을수록 일관성을 희생하면서 다양성을 높입니다. 다중 턴 대화 및 생성 작업의 경우 온도를 0.5로 약간 조정하여 더 다양한 출력을 허용합니다. * 상위-\(k\) 샘플링: 상위-\(k\) 샘플링을 \(k=40\)으로 사용하여 모델이 각 단계에서 가장 가능성이 높은 토큰 상위 40개 중에서 다음 토큰을 선택하도록 하여 생성된 텍스트에 무작위성과 다양성을 더합니다. * 상위-\(p\) 샘플링: 또한, 집합적으로 확률 질량의 90%를 차지하는 동적 토큰 집합을 고려하여 다양성을 더욱 향상시키는 Top-\(p\) 샘플링을 \(p=0.9\)로 사용합니다. * 반복 페널티: 모델이 반복적인 텍스트를 생성하는 것을 방지하기 위해 1.1의 계수로 반복 페널티를 적용하여 이미 선택된 토큰에 불이익을 줍니다.

struction data generated by real human users, OpenAI's LLMs (e.g., InstructGPT [2] and ChatGPT 4) have achieved great success. These open-domain instructions can fully unleash the unlimited potential of LLMs [14, 15, 16, 17] and enable them to perform more complex and diverse tasks. However, using humans to create open-domain instruction datasets like OpenAI did will encounter the following challenges. The whole annotating process is extremely expensive and time-consuming [18, 19, 20, 21]. On the other hand, the difficulty level distribution of human-created instructions is skewed towards being easy or moderate, with fewer difficult ones (according to the difficulty statistics of ShareGPT [22] from Figure (a)a). Possible reasons for this are that the proportion of experts among annotators is low and creating complex instructions demands a lot of mental effort. Human annotators are prone to fatigue and cannot sustain high-intensity work to produce a sufficient proportion of high-difficulty instructions [23, 24, 25, 26]. Based on these issues, developing an automatic method that can mass-produce open-domain instructions (especially the more difficult ones) at a relatively low cost becomes the key to further advancing instruction-tuned language models [27, 28, 29, 30].

실제 인간 사용자가 생성한 instruction 데이터에 기반한 OpenAI의 LLM(예: InstructGPT [2] 및 ChatGPT 4)은 큰 성공을 거두었습니다. 이러한 오픈 도메인 instructions는 LLM의 무한한 잠재력을 완전히 발휘할 수 있으며[14, 15, 16, 17] 보다 복잡하고 다양한 작업을 수행할 수 있게 해줍니다. 하지만 OpenAI가 그랬던 것처럼 인간을 동원해 오픈 도메인 instruction 데이터 세트를 만들면 다음과 같은 문제가 발생합니다. 전체 주석 달기 프로세스는 엄청나게 비용이 많이 들고 시간이 많이 걸립니다[18, 19, 20, 21]. 반면, 인간이 만든 instructions의 난이도 분포는 쉬운 명령어나 보통 수준의 명령어에 치우쳐 있으며, 어려운 명령어는 적습니다(그림 (a)a의 ShareGPT [22]의 난이도 통계에 따르면). 이러한 이유로 주석 작성자 중 전문가의 비율이 낮고 복잡한 instructions를 작성하려면 많은 정신적 노력이 필요하기 때문일 수 있습니다. 인간 주석 작성자는 피로에 취약하며 고강도 작업을 유지하여 충분한 비율의 고난이도 instructions를 생성할 수 없습니다[23, 24, 25, 26]. 이러한 문제를 바탕으로 비교적 저렴한 비용으로 오픈 도메인 instructions(특히 어려운 명령어)를 대량 생산할 수 있는 자동 방법을 개발하는 것이 instruction-tuned 언어 모델을 더욱 발전시키는 열쇠가 됩니다[27, 28, 29, 30].

실제 인간 사용자가 생성한 구조 데이터에 기반한 OpenAI의 LLM(예: InstructGPT [2] 및 ChatGPT 4)은 큰 성공을 거두었습니다. 이러한 오픈 도메인 명령어는 LLM의 무한한 잠재력을 완전히 발휘할 수 있으며[14, 15, 16, 17] 보다 복잡하고 다양한 작업을 수행할 수 있게 해줍니다. 하지만 OpenAI가 그랬던 것처럼 인간을 동원해 오픈 도메인 명령어 데이터 세트를 만들면 다음과 같은 문제가 발생합니다. 전체 주석 달기 프로세스는 엄청나게 비용이 많이 들고 시간이 많이 걸립니다[18, 19, 20, 21]. 반면, 인간이 만든 명령어의 난이도 분포는 쉬운 명령어나 보통 수준의 명령어에 치우쳐 있으며, 어려운 명령어는 적습니다(그림 (a)a의 ShareGPT [22]의 난이도 통계에 따르면). 이러한 이유로 주석 작성자 중 전문가의 비율이 낮고 복잡한 명령어를 작성하려면 많은 정신적 노력이 필요하기 때문일 수 있습니다. 인간 주석 작성자는 피로에 취약하며 고강도 작업을 유지하여 충분한 비율의 고난이도 지침을 생성할 수 없습니다[23, 24, 25, 26]. 이러한 문제를 바탕으로 비교적 저렴한 비용으로 오픈 도메인 명령어(특히 어려운 명령어)를 대량 생산할 수 있는 자동 방법을 개발하는 것이 지시 튜닝 언어 모델을 더욱 발전시키는 열쇠가 됩니다[27, 28, 29, 30].

If we continue relying on scaling laws to improve LLMs, we will quickly hit diminishing returns due to the power-law nature of scaling laws. We will therefore need exponentially more data to maintain a consistent marginal improvement, which may prove especially challenging as we are fastapproaching the limits of available human-generated text data [51]. Encouragingly, in the context of vision, Sorscher et al. [47] demonstrated that we could leverage simple data selection strategies to overcome costly power-law scaling. They compare numerous data selection methods and find that clustering data points in a pre-trained embedding space and ranking according to the distance to the cluster centroid ("SSL Prototypes") significantly improves the data efficiency of vision models. Recently, Abbas et al. [1] demonstrated that using a pre-trained embedding space to de-duplicate data ("SemDeDup") improves both efficiency and performance of vision-language models such as CLIP. However, there has been little exploration of these or related approaches in training LLMs at scale. Motivated by this, we argue that by combining these approaches and applying them to LLMs, relatively simple data selection strategies leveraging pre-trained embeddings can significantly improve LLM training.

스케일링 법칙에 계속 의존하여 LLM을 개선한다면, scaling laws의 거듭제곱 특성으로 인해 수익 감소에 빠르게 부딪힐 것입니다. 따라서 일관된 한계 개선을 유지하려면 기하급수적으로 더 많은 데이터가 필요하며, 이는 사용 가능한 인간 생성 텍스트 데이터의 한계에 빠르게 접근하고 있기 때문에 특히 어려울 수 있습니다[51]. 고무적인 점은 시각의 맥락에서 Sorscher 등[47]이 간단한 데이터 선택 전략을 활용하여 비용이 많이 드는 power-law scaling을 극복할 수 있음을 입증했다는 것입니다. 그들은 수많은 데이터 선택 방법을 비교한 결과, 사전 학습된 embedding 공간에서 데이터 포인트를 클러스터링하고 클러스터 중심과의 거리에 따라 순위를 매기는("SSL Prototypes") 방법이 비전 모델의 데이터 효율성을 크게 향상시킨다는 사실을 발견했습니다. 최근 Abbas 등[1]은 사전 학습된 embedding 공간을 사용하여 데이터 중복을 제거함으로써 CLIP와 같은 vision-language 모델의 효율성과 성능을 모두 개선할 수 있음을 입증했습니다. 그러나 이러한 접근 방식이나 이와 관련된 접근 방식을 대규모 LLM 훈련에 적용한 연구는 거의 없습니다. 이에 착안하여, 이러한 접근 방식을 결합하고 이를 LLM에 적용하면 사전 학습된 embeddings을 활용하는 비교적 간단한 데이터 선택 전략이 LLM 학습을 크게 개선할 수 있다고 주장합니다.

스케일링 법칙에 계속 의존하여 LLM을 개선한다면, 스케일링 법칙의 거듭제곱 특성으로 인해 수익 감소에 빠르게 부딪힐 것입니다. 따라서 일관된 한계 개선을 유지하려면 기하급수적으로 더 많은 데이터가 필요하며, 이는 사용 가능한 인간 생성 텍스트 데이터의 한계에 빠르게 접근하고 있기 때문에 특히 어려울 수 있습니다[51]. 고무적인 점은 시각의 맥락에서 소르셰르 등[47]이 간단한 데이터 선택 전략을 활용하여 비용이 많이 드는 거듭제곱 스케일링을 극복할 수 있음을 입증했다는 것입니다. 그들은 수많은 데이터 선택 방법을 비교한 결과, 사전 학습된 임베딩 공간에서 데이터 포인트를 클러스터링하고 클러스터 중심과의 거리에 따라 순위를 매기는("SSL 프로토타입") 방법이 비전 모델의 데이터 효율성을 크게 향상시킨다는 사실을 발견했습니다. 최근 Abbas 등[1]은 사전 학습된 임베딩 공간을 사용하여 데이터 중복을 제거함으로써 CLIP와 같은 비전-언어 모델의 효율성과 성능을 모두 개선할 수 있음을 입증했습니다. 그러나 이러한 접근 방식이나 이와 관련된 접근 방식을 대규모 LLM 훈련에 적용한 연구는 거의 없습니다. 이에 착안하여, 이러한 접근 방식을 결합하고 이를 LLM에 적용하면 사전 학습된 임베딩을 활용하는 비교적 간단한 데이터 선택 전략이 LLM 학습을 크게 개선할 수 있다고 주장합니다.

**Low-Rank Adaptation (LoRA)**. LoRA [145] imposes the low-rank constraint for approximating the update matrix at each dense layer, so as to reduce the trainable parameters for adapting to downstream tasks. Consider the case of optimizing a parameter matrix \(\mathbf{W}\). The update process can be written in a general form as: \(\mathbf{W}\leftarrow\mathbf{W}+\Delta\mathbf{W}\). The basic idea of LoRA is to freeze the original matrix \(\mathbf{W}\in\mathbb{R}^{m\times n}\) while approximating the parameter update \(\Delta\mathbf{W}\) by low-rank decomposition matrices, _i.e.,_\(\Delta\mathbf{W}=\mathbf{A}\cdot\mathbf{B}^{\top}\), where \(\mathbf{A}\in\mathbb{R}^{m\times k}\) and \(\mathbf{B}\in\mathbb{R}^{n\times k}\) are the trainable parameters for task adaptation and \(k\ll\min(m,n)\) is the reduced rank. The major merit of LoRA is that it can largely save the memory and storage usage (_e.g.,_ VRAM). Further, one can only keep a single large model copy, while maintaining a number of task-specific low-rank decomposition matrices for adapting to different downstream tasks. Further, several studies have also discussed how to set the rank in a more principled approach, _e.g.,_ importance score based allocation [406] and search-free optimal rank selection [407].

**Low-Rank Adaptation (LoRA)**. LoRA [145]는 다운스트림 작업에 적응하기 위해 학습 가능한 파라미터를 줄이기 위해 각 밀도 레이어에서 업데이트 행렬을 근사화하기 위해 저급 제약을 부과합니다. 파라미터 행렬 \(\mathbf{W}\)를 최적화하는 경우를 생각해 보겠습니다. 업데이트 프로세스는 일반적인 형태로 다음과 같이 작성할 수 있습니다: \(\mathbf{W}\leftarrow\mathbf{W}+\Delta\mathbf{W}\). LoRA의 기본 아이디어는 원래 행렬 \(\mathbf{W}\in\mathbb{R}^{m\times n}\)을 동결한 채로 파라미터 업데이트 \(\Delta\mathbf{W}\)를 저급 분해 행렬, 즉 \(\Delta\mathbf{W}=\mathbf{A}\cdot\mathbf{B}^{\top}\), 여기서 \(\mathbf{A}\in\mathbb{R}^{m\times k}\) 및 \(\mathbf{B}\in\mathbb{R}^{n\times k}\)는 작업 적응을 위한 학습 가능한 파라미터이며 \(k\ll\min(m,n)\)은 환원된 순위입니다. LoRA의 가장 큰 장점은 메모리 및 저장소 사용량(_예:_ VRAM)을 크게 절약할 수 있다는 것입니다. 또한, 하나의 큰 모델 복사본만 유지하면서 다양한 다운스트림 작업에 적응하기 위해 여러 작업별 저급 분해 행렬을 유지할 수 있습니다. 또한, 중요도 점수 기반 할당 [406] 및 검색 없는 최적 순위 선택 [407]과 같이 보다 원칙적인 접근 방식으로 순위를 설정하는 방법에 대해서도 여러 연구에서 논의했습니다.

**Low-Rank Adaptation(LoRA)**. LoRA [145]는 다운스트림 작업에 적응하기 위해 학습 가능한 파라미터를 줄이기 위해 각 밀도 레이어에서 업데이트 행렬을 근사화하기 위해 저급 제약을 부과합니다. 파라미터 행렬 \(\mathbf{W}\)를 최적화하는 경우를 생각해 보겠습니다. 업데이트 프로세스는 일반적인 형태로 다음과 같이 작성할 수 있습니다: \(\mathbf{W}\leftarrow\mathbf{W}+\Delta\mathbf{W}\). LoRA의 기본 아이디어는 원래 행렬 \(\mathbf{W}\in\mathbb{R}^{m\times n}\)을 동결한 채로 파라미터 업데이트 \(\Delta\mathbf{W}\)를 저급 분해 행렬, 즉 \(\Delta\mathbf{W}=\mathbf{A}\cdot\mathbf{B}^{\top}\), 여기서 \(\mathbf{A}\in\mathbb{R}^{m\times k}\), \(\mathbf{B}\in\mathbb{R}^{n\times k}\), 여기서 \(\mathbf{A}\in\mathbb{R}^{m\times k}\), \(\mathbf{B}\in\mathbb{R}^{n\times k}\), 여기서 \(k\ll\min(m,n)\)은 환원된 순위입니다. LoRA의 가장 큰 장점은 메모리 및 저장소 사용량(_예:_ VRAM)을 크게 절약할 수 있다는 것입니다. 또한, 하나의 큰 모델 복사본만 유지하면서 다양한 다운스트림 작업에 적응하기 위해 여러 작업별 저급 분해 행렬을 유지할 수 있습니다. 또한, 중요도 점수 기반 할당 [406] 및 검색 없는 최적 순위 선택 [407]과 같이 보다 원칙적인 접근 방식으로 순위를 설정하는 방법에 대해서도 여러 연구에서 논의했습니다.

To find the limit of continuously training this fixed-sized LM, we estimate how the model's optimal performance changes with its computation during continuous training. By optimal performance, we mean the loss of training token \(D\) is achieved by \(WSD(D,0.1D)\). With a series of \(D\), the losses will form the optimal loss envelope. Due to uncertainty about the function form of the loss envelope, we try two fitting formulas: (1) exponential: \(L(C)=\alpha e^{-\beta C}+L_{0}\) and (2) power-law: \(L(C)=\beta C^{-\alpha}+L_{0}\). The fitting results for both functions are in Appendix B.2. We find that the power-law form fits better (similar to the Cosine LRS (Kaplan et al., 2020)). In Figure 6, the fitted curve is shown in green dotted lines. To intuitively estimate and comprehend the effect of continuous training such a fixed-sized model, we also trained a 0.17B model with \(WSD(40N,4N)\), which is shown in pink in Figure 6. We can see that a 0.036B model can match the performance of a 0.17B model with an acceptable increase (\(\sim 4\) times) in training compute while saving a lot of inference computation (Sardana and Frankle, 2023) (saving \(\sim 5\) times per inference call), indicating a better inference-compute-optimal setting Sardana and Frankle (2023).

이 고정 크기의 LM을 지속적으로 훈련하는 한계를 찾기 위해 지속적인 훈련 중에 모델의 최적 성능이 계산에 따라 어떻게 변하는지 추정합니다. 최적의 성능이란 트레이닝 토큰 \(D\)의 Loss가 \(WSD(D,0.1D)\)에 의해 달성되는 것을 의미합니다. 일련의 \(D\)가 있으면 Loss는 최적의 Loss 외피를 형성합니다. Loss 외피의 함수 형태에 대한 불확실성으로 인해 (1) 지수: \(L(C)=\alpha e^{-\beta C}+L_{0}\) 및 (2) 거듭제곱 법칙: \(L(C)=\beta C^{-\alpha}+L_{0}\)의 두 가지 피팅 공식을 시도합니다. 두 함수에 대한 피팅 결과는 부록 B.2에 나와 있습니다. 거듭제곱 법칙 형태가 더 잘 맞는다는 것을 알 수 있습니다(코사인 LRS(Kaplan et al., 2020)와 유사). 그림 6에 피팅된 곡선이 점선으로 녹색으로 표시되어 있습니다. 이러한 고정 크기의 모델을 지속적으로 훈련하는 효과를 직관적으로 추정하고 이해하기 위해 그림 6의 분홍색에 표시된 \(WSD(40N,4N)\)으로 0.17B 모델을 훈련했습니다. 0.036B 모델이 훈련 계산량을 허용 가능한 수준으로 증가시키면서(약 4배) 0.17B 모델의 성능을 따라잡을 수 있고, 추론 계산량을 많이 절약할 수 있다는 것을 알 수 있습니다(Sardana and Frankle, 2023)(추론 호당 약 5배 절약)로 추론 계산 최적화가 더 잘 이루어졌다는 것을 알 수 있습니다 Sardana and Frankle (2023).

이 고정 크기의 LM을 지속적으로 훈련하는 한계를 찾기 위해 지속적인 훈련 중에 모델의 최적 성능이 계산에 따라 어떻게 변하는지 추정합니다. 최적의 성능이란 트레이닝 토큰 \(D\)의 손실이 \(WSD(D,0.1D)\)에 의해 달성되는 것을 의미합니다. 일련의 \(D\)가 있으면 손실은 최적의 손실 외피를 형성합니다. 손실 외피의 함수 형태에 대한 불확실성으로 인해 (1) 지수: \(L(C)=\알파 e^{-\베타 C}+L_{0}\) 및 (2) 거듭제곱 법칙: \(L(C)=\베타 C^{-\알파}+L_{0}\)의 두 가지 피팅 공식을 시도합니다. 두 함수에 대한 피팅 결과는 부록 B.2에 나와 있습니다. 거듭제곱 법칙 형태가 더 잘 맞는다는 것을 알 수 있습니다(코사인 LRS(Kaplan et al., 2020)와 유사). 그림 6에 피팅된 곡선이 점선으로 녹색으로 표시되어 있습니다. 이러한 고정 크기의 모델을 지속적으로 훈련하는 효과를 직관적으로 추정하고 이해하기 위해 그림 6의 분홍색에 표시된 \(WSD(40N,4N)\)으로 0.17B 모델을 훈련했습니다. 0.036B 모델이 훈련 계산량을 허용 가능한 수준으로 증가시키면서(약 4배) 0.17B 모델의 성능을 따라잡을 수 있고, 추론 계산량을 많이 절약할 수 있다는 것을 알 수 있습니다(Sardana and Frankle, 2023)(추론 호당 약 5배 절약)로 추론 계산 최적화가 더 잘 이루어졌다는 것을 알 수 있습니다 Sardana and Frankle (2023).

In this paper, we introduced a simple yet effective training method to help remedy the reversal curse in LLMs. Our reverse training works by first segmenting the input sequence into chunks and then reversing the ordering of chunks, but leaves the word-ordering in each chunk intact. A chunk can be a token, a word, an entity name, or a random number of tokens. The model is then trained on both the original sequences, and this reversed data. We evaluated on a symbolic reverse task and a reversing biography task that both demonstrated the necessity of preserving word-ordering within chunks. Next, we applied our reverse training to the realistic setting of LLM pre-training, which minimized the reversal curse on real-world knowledge. Evaluations on common benchmark tasks reveal that reverse training (particularly at the word level) during pre-training does not interfere with the forward prediction ability of LLMs, and actually improves metrics in the data-bound (rather than compute-bound) setting compared to standard training. When our method is applied to finetuning on fictitious facts, prediction accuracy rose from 0% to 70-100%. The reversal curse is a serious flaw in how LLMs acquire knowledge and reverse training opens a new promising direction in resolving it.

이 백서에서는 LLM의 역전 저주를 해결하는 데 도움이 되는 간단하면서도 효과적인 훈련 방법을 소개했습니다. 역 훈련은 먼저 입력 시퀀스를 청크로 분할한 다음 청크의 순서를 반대로 하되 각 청크의 단어 순서는 그대로 유지하는 방식으로 작동합니다. 청크는 토큰, 단어, 엔티티 이름 또는 임의의 토큰 수일 수 있습니다. 그런 다음 모델은 원본 시퀀스와 이 반전된 데이터 모두에 대해 학습합니다. 이 연구에서는 단어 순서를 청크 내에서 보존해야 할 필요성을 입증한 기호적 역방향 작업과 역방향 전기 작업을 평가했습니다. 다음으로, 우리는 실제 지식에 대한 역전 저주를 최소화하는 LLM pre-training의 현실적인 설정에 역 훈련을 적용했습니다. 일반적인 벤치마크 작업에 대한 평가 결과, pre-training 중 역 훈련(특히 단어 수준에서)이 LLM의 순방향 예측 능력을 방해하지 않으며, 실제로 표준 훈련에 비해 데이터 바운드(계산 바운드가 아닌) 설정에서 메트릭을 개선하는 것으로 나타났습니다. 이 방법을 가상의 사실에 대한 Fine-tuning에 적용하면 예측 정확도가 0%에서 70~100%까지 상승했습니다. 역전 저주는 LLM이 지식을 습득하는 방식에 심각한 결함이 있으며, 역 훈련은 이를 해결하는 새로운 가능성을 열어줍니다.

이 백서에서는 LLM의 역전 저주를 해결하는 데 도움이 되는 간단하면서도 효과적인 훈련 방법을 소개했습니다. 역 훈련은 먼저 입력 시퀀스를 청크로 분할한 다음 청크의 순서를 반대로 하되 각 청크의 단어 순서는 그대로 유지하는 방식으로 작동합니다. 청크는 토큰, 단어, 엔티티 이름 또는 임의의 토큰 수일 수 있습니다. 그런 다음 모델은 원본 시퀀스와 이 반전된 데이터 모두에 대해 학습합니다. 이 연구에서는 단어 순서를 청크 내에서 보존해야 할 필요성을 입증한 기호적 역방향 작업과 역방향 전기 작업을 평가했습니다. 다음으로, 우리는 실제 지식에 대한 역전 저주를 최소화하는 LLM 사전 훈련의 현실적인 설정에 역 훈련을 적용했습니다. 일반적인 벤치마크 작업에 대한 평가 결과, 사전 훈련 중 역 훈련(특히 단어 수준에서)이 LLM의 순방향 예측 능력을 방해하지 않으며, 실제로 표준 훈련에 비해 데이터 바운드(계산 바운드가 아닌) 설정에서 메트릭을 개선하는 것으로 나타났습니다. 이 방법을 가상의 사실에 대한 미세 조정에 적용하면 예측 정확도가 0%에서 70~100%까지 상승했습니다. 역전 저주는 LLM이 지식을 습득하는 방식에 심각한 결함이 있으며, 역 훈련은 이를 해결하는 새로운 가능성을 열어줍니다.

Validation Loss ComparisonThe results in Fig. 4 (top and bottom) show the evolution of the validation loss during continual pre-training on the respective \(\mathcal{D}_{1}\) datasets. Table 2 reports the average final validation loss for each of these models. The final loss is averaged over the last 100 iterations of training sampled at intervals of 10 iterations. We consistently observe across both distribution shifts that even the lowest tested replay of 1% significantly reduces forgetting on Pile compared to the no-replay baselines. This effect is more pronounced in the strong-shift scenario due to the larger amount of forgetting in this setting. We observe little impact on downstream performance for 1%,5%, and 10% replay when compared to the 0% baseline, showing that the forgetting benefits of replay come at little cost in our setting. However, when using an extreme amount of replay (50%), we observe that the model adapts less to \(\mathcal{D}_{0}\). Interestingly, for both datasets, the 50% replay models attain or surpass the final average validation performance of the baseline training on \(\mathcal{D}_{1}\cup\mathcal{D}_{0}\). This is curious as these model have seen 150B and 100B fewer tokens of \(\mathcal{D}_{1}\) than their respective baselines.

유효성 검사 Loss 비교그림 4의 결과(위쪽과 아래쪽)는 각각의 \(\mathcal{D}_{1}\) 데이터 세트에 대한 지속적인 사전 학습 중에 유효성 검사 Loss의 진화를 보여줍니다. 표 2는 이러한 각 모델에 대한 최종 유효성 검사 Loss의 평균을 보고합니다. 최종 Loss는 10회 간격으로 샘플링된 마지막 100회 훈련 반복에 대해 평균화됩니다. 두 분포 이동 모두에서 테스트된 가장 낮은 리플레이인 1%도 리플레이를 하지 않은 baseline보다 Pile에서 잊어버림을 상당히 줄여주는 것을 일관되게 관찰할 수 있습니다. 이 효과는 이 설정에서 더 많은 양의 잊어버림이 발생하기 때문에 강한 시프트 시나리오에서 더 두드러집니다. 0% 기준과 비교할 때 1%, 5%, 10% 리플레이의 경우 다운스트림 성능에 거의 영향을 미치지 않아 리플레이의 잊어버림 이점이 우리 설정에서 거의 대가를 치르지 않음을 알 수 있습니다. 그러나 극단적인 양의 리플레이(50%)를 사용할 경우 모델이 \(\mathcal{D}_{0}\)에 덜 적응하는 것을 관찰할 수 있습니다. 흥미롭게도 두 데이터 세트 모두에서 50% 리플레이 모델은 \(\mathcal{D}_{1}\cup\(\mathcal{D}_{0}\)에 대한 baseline 훈련의 최종 평균 유효성 검사 성능을 달성하거나 초과합니다. 이는 이 모델이 각 기준보다 150B와 100B의 토큰을 더 적게 보았기 때문에 신기한 일입니다.

유효성 검사 손실 비교그림 4의 결과(위쪽과 아래쪽)는 각각의 \(\mathcal{D}_{1}\) 데이터 세트에 대한 지속적인 사전 학습 중에 유효성 검사 손실의 진화를 보여줍니다. 표 2는 이러한 각 모델에 대한 최종 유효성 검사 손실의 평균을 보고합니다. 최종 손실은 10회 간격으로 샘플링된 마지막 100회 훈련 반복에 대해 평균화됩니다. 두 분포 이동 모두에서 테스트된 가장 낮은 리플레이인 1%도 리플레이를 하지 않은 기본선보다 Pile에서 잊어버림을 상당히 줄여주는 것을 일관되게 관찰할 수 있습니다. 이 효과는 이 설정에서 더 많은 양의 잊어버림이 발생하기 때문에 강한 시프트 시나리오에서 더 두드러집니다. 0% 기준과 비교할 때 1%, 5%, 10% 리플레이의 경우 다운스트림 성능에 거의 영향을 미치지 않아 리플레이의 잊어버림 이점이 우리 설정에서 거의 대가를 치르지 않음을 알 수 있습니다. 그러나 극단적인 양의 리플레이(50%)를 사용할 경우 모델이 \(\mathcal{D}_{0}\)에 덜 적응하는 것을 관찰할 수 있습니다. 흥미롭게도 두 데이터 세트 모두에서 50% 리플레이 모델은 \(\mathcal{D}_{1}\cup\mathcal{D}_{0}\)에 대한 기본 훈련의 최종 평균 유효성 검사 성능을 달성하거나 초과합니다. 이는 이 모델이 각 기준보다 150B와 100B의 토큰을 더 적게 보았기 때문에 신기한 일입니다.

\(\bullet\)_Effective RL training_. As the RL training process tends to be unstable and hyper-parameter sensitive, it is suggested that the language model should be well supervised fine-tuned before RL training, so as to reaching a good model capacity. A commonly-used way is to fine-tune the LLM on its best outputs of the prompts (referred to as _rejection sampling_ or _best-of-\(N\)_) from the alignment dataset until convergence before RL. Given a prompt, the LLM would first produce \(N\) outputs via the sampling algorithm, and then the best candidate from the model will be selected by the reward model for learning. After fine-tuning the LLM on the best samples until convergence, the RL process will be performed to further improve the performance. LLMaA 2 [99] has successively trained five versions of RLHF models, where the LLM has been progressively improved with the improvement of the reward models. In this way, the collected prompts and annotations of human preference data can better reflect the issues of the current model checkpoint, thus making special tuning to address these issues. In addition, LLMaA 2 also adds samples from prior iterations into the subsequent ones, to alleviate the possible capacity regression issue during iterative optimization.

\(\bullet\)_효과적인 RL 훈련_. RL 훈련 과정은 불안정하고 하이퍼파라미터에 민감한 경향이 있으므로, RL 훈련 전에 언어 모델을 잘 supervised Fine-tuning하여 좋은 모델 용량에 도달하도록 미리 훈련하는 것이 좋습니다. 일반적으로 사용되는 방법은 RL 전에 정합 데이터 세트에서 가장 좋은 프롬프트의 최적 출력(거부 샘플링 또는 _best-of-\(N\)\_이라고 함)에 대해 LLM을 Fine-tuning하여 수렴할 때까지 Fine-tuning하는 것입니다. 프롬프트가 주어지면 LLM은 먼저 샘플링 알고리즘을 통해 \(N\)개의 출력을 생성한 다음, 보상 모델에 의해 모델에서 가장 좋은 후보가 선택되어 학습에 사용됩니다. 수렴할 때까지 최적의 샘플에 대해 LLM을 Fine-tuning한 후 RL 프로세스를 수행하여 성능을 더욱 개선합니다. LLMaA 2 [99]는 5개 버전의 RLHF 모델을 연속적으로 훈련했으며, 여기서 LLM은 보상 모델의 개선에 따라 점진적으로 개선되었습니다. 이러한 방식으로 수집된 프롬프트와 인간 선호도 데이터의 주석은 현재 모델 체크포인트의 문제를 더 잘 반영할 수 있으므로 이러한 문제를 해결하기 위한 특별한 조정을 수행할 수 있습니다. 또한 LLMaA 2는 반복 훈련 중에 발생할 수 있는 용량 퇴보 문제를 완화하기 위해 이전 반복의 샘플을 후속 반복에 추가합니다.

\(\bullet\)_효과적인 RL 훈련_. RL 훈련 과정은 불안정하고 하이퍼파라미터에 민감한 경향이 있으므로, RL 훈련 전에 언어 모델을 잘 슈퍼바이징하여 좋은 모델 용량에 도달하도록 미리 훈련하는 것이 좋습니다. 일반적으로 사용되는 방법은 RL 전에 정합 데이터 세트에서 가장 좋은 프롬프트의 최적 출력(거부 샘플링 또는 _best-of-\(N\)\_이라고 함)에 대해 LLM을 미세 조정하여 수렴할 때까지 미세 조정하는 것입니다. 프롬프트가 주어지면 LLM은 먼저 샘플링 알고리즘을 통해 \(N\)개의 출력을 생성한 다음, 보상 모델에 의해 모델에서 가장 좋은 후보가 선택되어 학습에 사용됩니다. 수렴할 때까지 최적의 샘플에 대해 LLM을 미세 조정한 후 RL 프로세스를 수행하여 성능을 더욱 개선합니다. LLMaA 2 [99]는 5개 버전의 RLHF 모델을 연속적으로 훈련했으며, 여기서 LLM은 보상 모델의 개선에 따라 점진적으로 개선되었습니다. 이러한 방식으로 수집된 프롬프트와 인간 선호도 데이터의 주석은 현재 모델 체크포인트의 문제를 더 잘 반영할 수 있으므로 이러한 문제를 해결하기 위한 특별한 조정을 수행할 수 있습니다. 또한 LLMaA 2는 반복 훈련 중에 발생할 수 있는 용량 퇴보 문제를 완화하기 위해 이전 반복의 샘플을 후속 반복에 추가합니다.

ExperimentWe demonstrate that the proposed definition of \(\textsc{CnstScore}(\tau_{\text{2H}},\tau_{\text{1H}})\) is a reasonable proxy of the utilization of what the LLM knows about the bridge entity's attribute - the latent recall of its answer to \(\tau_{\text{1H}}\) - with indirect evidence. If the information to reason with is given as part of the input, e.g., if the given prompt is _"The singer of 'Supersition' is Stevie Wonder. The mother of Stevie Wonder is named Lula. The mother of the singer of 'Supersition' is"_, the LLM would not need to internally perform the multi-hop reasoning to refer to what its output to the one-hop prompt _"The mother of Stevie Wonder is"_ is, but just copy the answer from the input. Therefore, \(\textsc{CnstScore}\) of such a case will be lower than the case where the LLM needs to internally figure out what its answer to the one-hop prompt given the hint of who the descriptive mention refers to, e.g., _"The singer of 'Superstition' is Stevie Wonder. The mother of the singer of 'Superstition' is"_. Therefore, to check whether this is the case, we compare \(\textsc{CnstScore}\) computed with the several Chain-of-Thought (CoT) style prompts \(\tau^{\prime}\), i.e., \(\textsc{CnstScore}(\tau^{\prime},\tau_{\text{1H}})\).

실험우리는 제안된 \(\textsc{CnstScore}(\tau_{\text{2H}},\tau_{\text{1H}})\)의 정의가 간접적인 증거를 통해 LLM이 브리지 엔티티의 속성에 대해 알고 있는 것, 즉 \(\tau_{\text{1H}}\)에 대한 답변의 잠재적 회상에 대한 합리적인 대리자임을 입증합니다. 추론할 정보가 입력의 일부로 주어진다면, 예를 들어 주어진 프롬프트가 _"수퍼시션"의 가수는 스티비 원더입니다. 스티비 원더의 어머니는 룰라입니다. '수퍼시션'의 가수의 어머니는"이면 LLM은 출력에 대해 내부적으로 다중 홉 추론을 수행할 필요가 없습니다. 1홉 프롬프트 _"스티비 원더의 어머니는"_에 대한 출력이 무엇인지, 입력에서 답을 복사하기만 하면 됩니다. 따라서 이러한 경우의 \(\textsc{CnstScore}\)는 LLM이 설명적 언급이 누구를 가리키는지에 대한 힌트가 주어진 1홉 프롬프트에 대한 답을 내부적으로 알아내야 하는 경우, 예를 들어 _"믿음의 가수는 스티비 원더입니다. '믿음'의 가수의 어머니는"_. 따라서 이러한 경우인지 확인하기 위해 몇 가지 Chain-of-Thought (CoT) 스타일의 프롬프트 \(\tau^{\prime}\), 즉 \(\textsc{CnstScore}(\tau^{\prime},\tau_{\text{1H}})\).

실험우리는 제안된 \(\textsc{CnstScore}(\tau_{\text{2H}},\tau_{\text{1H}})\)의 정의가 간접적인 증거를 통해 LLM이 브리지 엔티티의 속성에 대해 알고 있는 것, 즉 \(\tau_{\text{1H}}\)에 대한 답변의 잠재적 회상에 대한 합리적인 대리자임을 입증합니다. 추론할 정보가 입력의 일부로 주어진다면, 예를 들어 주어진 프롬프트가 _"수퍼시션"의 가수는 스티비 원더입니다. 스티비 원더의 어머니는 룰라입니다. '수퍼시션'의 가수의 어머니는"이면 LLM은 출력에 대해 내부적으로 다중 홉 추론을 수행할 필요가 없습니다. 1홉 프롬프트 _"스티비 원더의 어머니는"_에 대한 출력이 무엇인지, 입력에서 답을 복사하기만 하면 됩니다. 따라서 이러한 경우의 \(\textsc{CnstScore}\)는 LLM이 설명적 언급이 누구를 가리키는지에 대한 힌트가 주어진 1홉 프롬프트에 대한 답을 내부적으로 알아내야 하는 경우, 예를 들어 _"믿음의 가수는 스티비 원더입니다. '믿음'의 가수의 어머니는"_. 따라서 이러한 경우인지 확인하기 위해 몇 가지 생각의 연쇄(CoT) 스타일의 프롬프트 \(\tau^{\prime}\), 즉 \(\textsc{CnstScore}(\tau^{\prime},\tau_{\text{1H}})\).

Prior work has revealed the weaknesses of LLMs in logical reasoning (Han et al., 2022; Saparov and He, 2022; Saparov et al., 2023; Wan et al., 2024; Xu et al., 2023), especially when the proof is long and requires the knowledge of multiple deduction theorems. To isolate the effect of premise orders, we focus on a confined problem space adapted from SimpleLogic (Zhang et al., 2022), which only includes propositional logic problems with definite clauses. Specifically, each problem includes: (1) a set of facts \(A_{1}\),\(\ldots\), \(A_{n}\) that hold true; (2) a set of rules of the form "If \(X\), then \(Y\)", "If \(X_{0}\) and \(X_{1}\), then \(Y\)", or "If \(X_{0}\) and \(X_{1}\) and \(X_{2}\), then \(Y\)"; and (3) a conclusion "\(C\) is True" to be proved. As opposed to SimpleLogic -- which formulates the problem as a binary classification task (i.e., indicate whether the conclusion is True or False) -- in our benchmark, every problem has a ground-truth label of True, and we consider the prediction to be correct only when the generated proof is completely valid. With these strict criteria, the LLM is required to produce the step-by-step deduction that leads to the conclusion, and any hallucination of non-existent facts and rules is considered erroneous.

이전 연구에서는 논리적 추론(Han et al., 2022; Saparov and He, 2022; Saparov et al., 2023; Wan et al., 2024; Xu et al., 2023)에서 LLM의 약점, 특히 증명이 길고 여러 추론 정리를 알아야 하는 경우에서 LLM의 약점을 밝혀냈습니다. 전제 순서의 효과를 분리하기 위해 명제가 명확한 절이 포함된 명제 논리 문제만 포함하는 SimpleLogic(Zhang et al., 2022)에서 개작한 제한된 문제 공간에 초점을 맞춥니다. 구체적으로, 각 문제에는 (1) 참인 사실 \(A_{1}\),\(\ldots\), \(A_{n}\)의 집합, (2) "X\), then \(Y\)", "X_{0}\) 및 \(X_{1}\), then \(Y\)", 또는 "X_{0}\) 및 \(X_{1}\), then \(Y\)" 형식의 규칙 집합, (3) 증명해야 할 결론 "\(C\)는 참"이 포함됩니다. 결론이 참인지 거짓인지 표시하는 이진 분류 작업(즉, 결론이 참인지 거짓인지 표시하는 이진 분류 작업)으로 문제를 공식화하는 SimpleLogic와 달리, 이 벤치마크에서는 모든 문제에 대해 참이라는 정답 레이블이 있으며, 생성된 증명이 완전히 유효한 경우에만 예측이 정답으로 간주됩니다. 이러한 엄격한 기준을 통해 LLM은 결론에 이르는 단계별 추론을 생성해야 하며, 존재하지 않는 사실과 규칙을 Hallucination하는 것은 오류로 간주됩니다.

이전 연구에서는 논리적 추론(Han et al., 2022; Saparov and He, 2022; Saparov et al., 2023; Wan et al., 2024; Xu et al., 2023)에서 LLM의 약점, 특히 증명이 길고 여러 추론 정리를 알아야 하는 경우에서 LLM의 약점을 밝혀냈습니다. 전제 순서의 효과를 분리하기 위해 명제가 명확한 절이 포함된 명제 논리 문제만 포함하는 SimpleLogic(Zhang et al., 2022)에서 개작한 제한된 문제 공간에 초점을 맞춥니다. 구체적으로, 각 문제에는 (1) 참인 사실 \(A_{1}\),\(\ldots\), \(A_{n}\)의 집합, (2) "X\), then \(Y\)", "X_{0}\) 및 \(X_{1}\), then \(Y\)", 또는 "X_{0}\) 및 \(X_{1}\), then \(Y\)" 형식의 규칙 집합, (3) 증명해야 할 결론 "\(C\)는 참"이 포함됩니다. 결론이 참인지 거짓인지 표시하는 이진 분류 작업(즉, 결론이 참인지 거짓인지 표시하는 이진 분류 작업)으로 문제를 공식화하는 SimpleLogic와 달리, 이 벤치마크에서는 모든 문제에 대해 참이라는 정답 레이블이 있으며, 생성된 증명이 완전히 유효한 경우에만 예측이 정답으로 간주됩니다. 이러한 엄격한 기준을 통해 LLM은 결론에 이르는 단계별 추론을 생성해야 하며, 존재하지 않는 사실과 규칙을 홀로cination하는 것은 오류로 간주됩니다.

**RLHF System.** The RLHF system mainly comprises three key components: a pre-trained LM to be aligned, a reward model learning from human feedback, and a RL algorithm training the LM. Specifically, the _pre-trained LM_ is typically a generative model that is initialized with existing pre-trained LM parameters. For example, OpenAI uses 175B GPT-3 for its first popular RLHF model, InstructGPT [66], and DeepMind uses the 280 billion parameter model Go-pher [64] for its GopherCite model [370]. Further, the _reward model (RM)_ provides (learned) guidance signals that reflect human preferences for the text generated by the LM, usually in the form of a scalar value. The reward model can take on two forms: a fine-tuned LM or a LM trained de novo using human preference data. Existing work typically employs reward models having a parameter scale different from that of the aligned LM [66, 370]. For example, OpenAI uses 6B GPT-3 and DeepMind uses 7B Gopher as the reward model, respectively. Finally, to optimize the pre-trained LM using the signal from the reward model, a specific _RL algorithm_ is designed for large-scale model tuning. Specifically, Proximal Policy Optimization (PPO) [128] is a widely used RL algorithm for alignment in existing work [66, 116, 370].

**RLHF 시스템.** RLHF 시스템은 주로 정렬할 pre-trained LM, 사람의 피드백을 학습하는 reward model, LM을 학습하는 RL algorithm의 세 가지 핵심 구성 요소로 구성됩니다. 구체적으로, _pre-trained LM_은 일반적으로 기존 pre-trained LM 파라미터로 초기화되는 생성 모델입니다. 예를 들어, OpenAI는 첫 번째 인기 RLHF 모델인 InstructGPT [66]에 175B GPT-3를 사용했으며, DeepMind는 2800억 파라미터 모델인 Go-pher [64]를 GopherCite 모델 [370]에 사용했습니다. 또한, _reward model (RM)_은 일반적으로 스칼라 값의 형태로 LM이 생성한 텍스트에 대한 사람의 선호도를 반영하는 (학습된) 안내 신호를 제공합니다. reward model은 Fine-tuned LM 또는 사람의 선호도 데이터를 사용하여 새로 학습된 LM의 두 가지 형태를 취할 수 있습니다. 기존 작업에서는 일반적으로 정렬된 LM과 다른 파라미터 규모를 가진 reward model을 사용합니다[66, 370]. 예를 들어, OpenAI는 6B GPT-3를, DeepMind는 7B Gopher를 각각 reward model로 사용합니다. 마지막으로, reward model의 신호를 사용하여 pre-trained LM을 최적화하기 위해 대규모 모델 튜닝을 위해 특정 _RL algorithm_이 설계되었습니다. 구체적으로, 기존 작업 [66, 116, 370]에서 정렬을 위해 널리 사용되는 RL algorithm은 Proximal Policy Optimization (PPO) [128]입니다.

**RLHF 시스템.** RLHF 시스템은 주로 정렬할 사전 학습된 LM, 사람의 피드백을 학습하는 보상 모델, LM을 학습하는 RL 알고리즘의 세 가지 핵심 구성 요소로 구성됩니다. 구체적으로, _사전 학습된 LM_은 일반적으로 기존 사전 학습된 LM 파라미터로 초기화되는 생성 모델입니다. 예를 들어, OpenAI는 첫 번째 인기 RLHF 모델인 InstructGPT [66]에 175B GPT-3를 사용했으며, DeepMind는 2800억 파라미터 모델인 Go-pher [64]를 GopherCite 모델 [370]에 사용했습니다. 또한, _보상 모델(RM)_은 일반적으로 스칼라 값의 형태로 LM이 생성한 텍스트에 대한 사람의 선호도를 반영하는 (학습된) 안내 신호를 제공합니다. 보상 모델은 미세 조정된 LM 또는 사람의 선호도 데이터를 사용하여 새로 학습된 LM의 두 가지 형태를 취할 수 있습니다. 기존 작업에서는 일반적으로 정렬된 LM과 다른 파라미터 규모를 가진 보상 모델을 사용합니다[66, 370]. 예를 들어, OpenAI는 6B GPT-3를, DeepMind는 7B Gopher를 각각 보상 모델로 사용합니다. 마지막으로, 보상 모델의 신호를 사용하여 사전 학습된 LM을 최적화하기 위해 대규모 모델 튜닝을 위해 특정 _RL 알고리즘_이 설계되었습니다. 구체적으로, 기존 작업 [66, 116, 370]에서 정렬을 위해 널리 사용되는 RL 알고리즘은 근접 정책 최적화(PPO) [128]입니다.

Despite their remarkable capabilities, large language models (LLMs) often produce responses containing factual inaccuracies due to their sole reliance on the parametric knowledge they encapsulate. Retrieval-Augmented Generation (RAG), an ad hoc approach that augments LMs with retrieval of relevant knowledge, decreases such issues. However, indiscriminately retrieving and incorporating a fixed number of retrieved passages, regardless of whether retrieval is necessary, or passages are relevant, diminishes LM versatility or can lead to unhelpful response generation. We introduce a new framework called **Self-Reflective Retrieval-Augmented Generation (Self-RAG)** that enhances an LM's quality and factuality through retrieval and self-reflection. Our framework trains a single arbitrary LM that adaptively retrieves passages on-demand, and generates and reflects on retrieved passages and its own generations using special tokens, called _reflection_ tokens. Generating reflection tokens makes the LM controllable during the inference phase, enabling it to tailor its behavior to diverse task requirements. Experiments show that Self-RAG (7B and 13B parameters) significantly outperforms state-of-the-art LLMs and retrieval-augmented models on a diverse set of tasks.

대규모 언어 모델(LLMs)은 놀라운 기능에도 불구하고 매개변수화된 지식에만 의존하기 때문에 사실에 부정확한 내용이 포함된 응답을 생성하는 경우가 많습니다. 관련 지식 검색을 통해 LLM을 보강하는 임시방편 접근 방식인 Retrieval-Augmented Generation (RAG)은 이러한 문제를 줄여줍니다. 그러나 검색이 필요한지 여부나 지문이 관련성이 있는지에 관계없이 고정된 수의 검색된 지문을 무분별하게 검색하여 통합하면 LM의 다용도성이 떨어지거나 유용하지 않은 응답 생성으로 이어질 수 있습니다. 검색 및 자기 성찰을 통해 LM의 품질과 사실성을 향상시키는 **Self-Reflective Retrieval-Augmented Generation (Self-RAG)**이라는 새로운 프레임워크를 소개합니다. 이 프레임워크는 임의의 단일 LM을 훈련하여 필요에 따라 적응적으로 지문을 검색하고, 검색된 지문과 자체 생성을 _reflection_ 토큰이라는 특수 토큰을 사용하여 생성하고 반영합니다. reflection 토큰을 생성하면 추론 단계에서 LM을 제어할 수 있으므로 다양한 작업 요구 사항에 맞게 동작을 조정할 수 있습니다. 실험 결과, Self-RAG(파라미터 7B 및 13B)는 다양한 작업 세트에서 최신 LLM과 Retrieval-Augmented 모델보다 훨씬 뛰어난 성능을 보여주었습니다.

대규모 언어 모델(LLM)은 놀라운 기능에도 불구하고 매개변수화된 지식에만 의존하기 때문에 사실에 부정확한 내용이 포함된 응답을 생성하는 경우가 많습니다. 관련 지식 검색을 통해 LLM을 보강하는 임시방편 접근 방식인 검색 증강 생성(RAG)은 이러한 문제를 줄여줍니다. 그러나 검색이 필요한지 여부나 지문이 관련성이 있는지에 관계없이 고정된 수의 검색된 지문을 무분별하게 검색하여 통합하면 LM의 다용도성이 떨어지거나 유용하지 않은 응답 생성으로 이어질 수 있습니다. 검색 및 자기 성찰을 통해 LM의 품질과 사실성을 향상시키는 **자기 반영 검색 증강 생성(Self-RAG)**이라는 새로운 프레임워크를 소개합니다. 이 프레임워크는 임의의 단일 LM을 훈련하여 필요에 따라 적응적으로 지문을 검색하고, 검색된 지문과 자체 생성을 _반사_ 토큰이라는 특수 토큰을 사용하여 생성하고 반영합니다. 반사 토큰을 생성하면 추론 단계에서 LM을 제어할 수 있으므로 다양한 작업 요구 사항에 맞게 동작을 조정할 수 있습니다. 실험 결과, Self-RAG(파라미터 7B 및 13B)는 다양한 작업 세트에서 최신 LLM과 검색 증강 모델보다 훨씬 뛰어난 성능을 보여주었습니다.

However, these methods and datasets have not yet undergone systematic review and analysis. To fill this gap, we propose this work to conduct a comprehensive and detailed analysis of the XoT family. Even though there have been some surveys discussing chain-of-thought, they are limited to specific aspects, such as LLM reasoning with prompts Qiao et al. (2023) and chain-of-thought prompt strategies Yu et al. (2023). In contrast, our survey not only provides a more thorough and comprehensive discussion of the topics they've already covered, but also includes additional topics and discussions, such as XoT construction, XoT structural variants and frontier application, etc. Concretely, in this paper, we first introduce the relevant background and preliminary (SS2). Furthermore,we carefully classify the XoT series of work from multiple perspectives and complete an in-depth analysis (SS4), including XoT construction methods (SS4.1), XoT structure variants (SS4.2) and XoT enhancement methods (SS4.3). Then, we provide practical applications of the XoT in the frontier fields (SS5). In order to inspire the follow-up work of XoT, we offer insights into potential avenues for future research in this area (SS6). Finally, we compare and discuss existing methods (SS7).

그러나 이러한 방법과 데이터 세트는 아직 체계적인 검토와 분석을 거치지 않았습니다. 이러한 격차를 해소하기 위해 이 작업을 제안하여 XoT 제품군에 대한 포괄적이고 상세한 분석을 수행합니다. 연쇄 사고에 대해 논의한 몇 가지 설문조사가 있었지만, prompts를 사용한 LLM reasoning Qiao et al. (2023) 및 chain-of-thought prompt strategies Yu et al. (2023)과 같은 특정 측면에 국한되어 있습니다. 이와는 대조적으로, 저희 설문조사는 이미 다루어진 주제에 대해 보다 철저하고 포괄적인 논의를 제공할 뿐만 아니라 XoT construction, XoT structural variants 및 frontier application 등과 같은 추가 주제와 논의도 포함합니다. 구체적으로, 이 백서에서는 먼저 관련 배경과 예비(SS2)를 소개합니다. 또한, XoT construction methods(SS4.1), XoT structure variants(SS4.2), XoT enhancement methods(SS4.3) 등 다양한 관점에서 XoT 시리즈 작업을 면밀히 분류하고 심층 분석을 완료합니다(SS4). 그런 다음 frontier fields에서 XoT의 실제 적용 사례를 제공합니다(SS5). XoT의 후속 작업에 영감을 주기 위해 이 분야의 향후 연구에 대한 잠재적 방향에 대한 인사이트를 제공합니다(SS6). 마지막으로 기존 방법을 비교하고 논의합니다(SS7).

그러나 이러한 방법과 데이터 세트는 아직 체계적인 검토와 분석을 거치지 않았습니다. 이러한 격차를 해소하기 위해 이 작업을 제안하여 XoT 제품군에 대한 포괄적이고 상세한 분석을 수행합니다. 연쇄 사고에 대해 논의한 몇 가지 설문조사가 있었지만, 프롬프트를 사용한 LLM 추론 Qiao et al. (2023) 및 연쇄 사고 프롬프트 전략 Yu et al. (2023)과 같은 특정 측면에 국한되어 있습니다. 이와는 대조적으로, 저희 설문조사는 이미 다루어진 주제에 대해 보다 철저하고 포괄적인 논의를 제공할 뿐만 아니라 XoT 구성, XoT 구조 변형 및 프론티어 적용 등과 같은 추가 주제와 논의도 포함합니다. 구체적으로, 이 백서에서는 먼저 관련 배경과 예비(SS2)를 소개합니다. 또한, XoT 구성 방법(SS4.1), XoT 구조 변형(SS4.2), XoT 향상 방법(SS4.3) 등 다양한 관점에서 XoT 시리즈 작업을 면밀히 분류하고 심층 분석을 완료합니다(SS4). 그런 다음 프론티어 분야에서 XoT의 실제 적용 사례를 제공합니다(SS5). XoT의 후속 작업에 영감을 주기 위해 이 분야의 향후 연구에 대한 잠재적 방향에 대한 인사이트를 제공합니다(SS6). 마지막으로 기존 방법을 비교하고 논의합니다(SS7).

\begin{table} \begin{tabular}{l|c|c|c|c|c|c} \hline \hline Dataset & \(L_{\text{test-regen}}\) & \(L_{\text{test-ref}}\) & \(L_{\text{train}}\) & \(L_{\text{train-regen}}\) & \(\Delta_{1}\) & \(\Delta_{2}\) \\ \hline GSM8K & 0.52 & 0.50 & 0.11 & 0.33 & 0.02 & 0.19 \\ MATH & 0.59 & 0.58 & 0.23 & 0.39 & 0.01 & 0.20 \\ \hline \hline \end{tabular} \end{table} Table 6: To validate benchmark data leakage during data generation, we compare LM loss on: 1) a training subset, which is a small subset with 256 samples from all synthetic data; 2) a regenerated training subset, where we maintain the original questions from the training subset and use GPT-4 Turbo to rewrite answers; 3) a regenerated test set, where we keep the questions from the evaluation metrics unchanged and use GPT-4 Turbo to rewrite answers; 4) a reference test set, where we use the test set as seed to generate new questions and answers via GPT-4 Turbo. Referring to Skywork, we also report two key metrics: \(\Delta_{1}=L_{\text{test-regen}}-L_{\text{test-ref}},\Delta_{2}=L_{\text{test- regen}}-L_{\text{train-regen}}\), As \(\Delta_{1}\) is close to 0 and \(\Delta_{2}\) is significantly greater than 0 in two benchmarks, we believe that there is no leakage during the process of data synthesis.

\begin{table} \begin{tabular}{l|c|c|c|c|c|c} \hline \hline Dataset & \(L_{\text{test-regen}}\) & \(L_{\text{test-ref}}\) & \(L_{\text{train}}\) & \(L_{\text{train-regen}}\) & \(\Delta_{1}\) & \(\Delta_{2}\) \\ \hline GSM8K & 0.52 & 0.50 & 0.11 & 0.33 & 0.02 & 0.19 \\ MATH & 0.59 & 0.58 & 0.23 & 0.39 & 0.01 & 0.20 \\ \hline \hline \end{tabular} \end{table} 표 6: 데이터 생성 중 벤치마크 데이터 유출을 검증하기 위해 다음에 대한 LM loss를 비교합니다: 1) 모든 합성 데이터에서 256개의 샘플로 구성된 작은 하위 집합인 훈련 하위 집합; 2) 재생성된 훈련 하위 집합, 여기서 훈련 하위 집합의 원래 질문을 유지하고 GPT-4 Turbo를 사용하여 답변을 다시 작성합니다; 3) 재생성된 테스트 세트, 여기서 평가 메트릭의 질문은 변경하지 않고 GPT-4 Turbo를 사용하여 답변을 다시 작성합니다; 4) 참조 테스트 세트, 여기서 테스트 세트를 시드로 사용하여 GPT-4 Turbo를 통해 새로운 질문과 답변을 생성합니다. Skywork를 참조하여 두 가지 주요 메트릭을 보고합니다: \(\Delta_{1}=L_{\text{test-regen}}-L_{\text{test-ref}},\Delta_{2}=L_{\text{test- regen}}-L_{\text{train-regen}}\), 두 벤치마크에서 \(\Delta_{1}\)가 0에 가깝고 \(\Delta_{2}\)가 0보다 현저히 크므로 데이터 합성 과정에서 유출이 없다고 생각합니다.

\begin{table} \begin{tabular}{l|c|c|c|c|c|c} \hline \hline 데이터 집합 & \(L_{\text{test-regen}}\) & \(L_{\text{test-ref}}\) & \(L_{\text{train}}\) & \(L_{\text{train-regen}}\) & \(\Delta_{1}\) & \(\Delta_{2}\) \\ \hline GSM8K & 0.52 & 0.50 & 0.11 & 0.33 & 0.02 & 0.19 \\ MATH & 0.59 & 0.58 & 0.23 & 0.39 & 0.01 & 0.20 \\ \hline \hline \end{tabular} \end{table} 표 6: 데이터 생성 중 벤치마크 데이터 유출을 검증하기 위해 다음에 대한 LM 손실을 비교합니다: 1) 모든 합성 데이터에서 256개의 샘플로 구성된 작은 하위 집합인 훈련 하위 집합; 2) 재생성된 훈련 하위 집합, 여기서 훈련 하위 집합의 원래 질문을 유지하고 GPT-4 Turbo를 사용하여 답변을 다시 작성합니다; 3) 재생성된 테스트 세트, 여기서 평가 메트릭의 질문은 변경하지 않고 GPT-4 Turbo를 사용하여 답변을 다시 작성합니다; 4) 참조 테스트 세트, 여기서 테스트 세트를 시드로 사용하여 GPT-4 Turbo를 통해 새로운 질문과 답변을 생성합니다. Skywork를 참조하여 두 가지 주요 메트릭을 보고합니다: \(\Delta_{1}=L_{\text{test-regen}}-L_{\text{test-ref}},\Delta_{2}=L_{\text{test- regen}}-L_{\text{train-regen}}\), 두 벤치마크에서 \(\Delta_{1}\)가 0에 가깝고 \(\Delta_{2}\)가 0보다 현저히 크므로 데이터 합성 과정에서 유출이 없다고 생각합니다.

**Models.** We train 1B, 3B, and 7B parameters autoregressive decoder-only models, based on configurations and hyperparameters similar to GPT-3 (Brown et al., 2020), diverging mostly on our use of ALiBi (Press et al., 2021). We use FlashAttention (Dao et al., 2022) in a custom codebase. We train internal models on both The Pile and RefinedWeb to control for deviations caused by our pretraining setup-we found The Pile models to perform in-line with others. For small-scale and ablation studies (first half of Section 4.2; Section 4.3), we train models to optimality according to the scaling laws of Hoffmann et al. (2022): on 27B and 60B tokens respectively for our 1B and 3B parameters models. For the main experiments demonstrating our approach (Falcon-RW models in Section 4.2), we train the models to 350GT, in line with popular public models (Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022). Note that we do not compare against the recently introduced LLaMA models (Touvron et al., 2023), as the smallest of them is trained on x2.5 more compute than our largest model, preventing a meaningful comparison from being made dataset-wise. For a more in-depth overview of the models and pretraining datasets with which we compare, see Appendix F.

**모델.** GPT-3(Brown et al., 2020)과 유사한 구성 및 하이퍼파라미터를 기반으로 1B, 3B 및 7B 파라미터 autoregressive decoder-only 모델을 훈련하며, 주로 ALiBi(Press et al., 2021)를 사용하는 것에서 차이가 납니다. 사용자 지정 코드베이스에서 FlashAttention(Dao et al., 2022)을 사용합니다. pretraining setup으로 인한 편차를 제어하기 위해 The Pile과 RefinedWeb 모두에서 내부 모델을 훈련했으며, The Pile 모델이 다른 모델과 동일한 성능을 발휘하는 것으로 나타났습니다. 소규모 및 절제 연구(4.2 절의 전반부, 4.3 절)의 경우, 1B 및 3B 파라미터 모델에 대해 각각 27B 및 60B 토큰에 대해 Hoffmann 등(2022)의 scaling laws에 따라 최적화를 위해 모델을 훈련합니다. 저희 접근 방식을 보여주는 주요 실험(4.2절의 Falcon-RW 모델)의 경우, 인기 있는 공개 모델(Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022)에 맞춰 350GT까지 모델을 훈련합니다. 최근에 도입된 LLaMA 모델(Touvron et al., 2023)은 가장 작은 모델이 가장 큰 모델보다 2.5배 더 많은 컴퓨팅으로 훈련되었기 때문에 데이터 세트별로 의미 있는 비교를 방해하므로 비교하지 않았습니다. 모델 및 비교 대상 pretraining 데이터 세트에 대한 자세한 개요는 부록 F를 참조하세요.

**모델.** GPT-3(Brown et al., 2020)과 유사한 구성 및 하이퍼파라미터를 기반으로 1B, 3B 및 7B 파라미터 자동 회귀 디코더 전용 모델을 훈련하며, 주로 ALiBi(Press et al., 2021)를 사용하는 것에서 차이가 납니다. 사용자 지정 코드베이스에서 FlashAttention(Dao et al., 2022)을 사용합니다. 트레일링 스택업으로 인한 편차를 제어하기 위해 더 파일과 RefinedWeb 모두에서 내부 모델을 훈련했으며, 더 파일 모델이 다른 모델과 동일한 성능을 발휘하는 것으로 나타났습니다. 소규모 및 절제 연구(4.2 절의 전반부, 4.3 절)의 경우, 1B 및 3B 파라미터 모델에 대해 각각 27B 및 60B 토큰에 대해 Hoffmann 등(2022)의 스케일링 법칙에 따라 최적화를 위해 모델을 훈련합니다. 저희 접근 방식을 보여주는 주요 실험(4.2절의 Falcon-RW 모델)의 경우, 인기 있는 공개 모델(Brown et al., 2020; Wang and Komatuszaki, 2021; Scao et al., 2022)에 맞춰 350GT까지 모델을 훈련합니다. 최근에 도입된 LLaMA 모델(Touvron et al., 2023)은 가장 작은 모델이 가장 큰 모델보다 2.5배 더 많은 컴퓨팅으로 훈련되었기 때문에 데이터 세트별로 의미 있는 비교를 방해하므로 비교하지 않았습니다. 모델 및 비교 대상 전처리 데이터 세트에 대한 자세한 개요는 부록 F를 참조하세요.

The GPT family is one of the most common examples of AutoRegressive language models. It was first proposed by Radford et al. (2018), who identified a basic architecture of unsupervised pre-training followed by fine-tuning. Radford et al. (2019) later proposed zero-shot learning based on GPT. Later, Brown et al. (2020) proposed GPT-3 using an approach similar to Radford et al. (2019), which involved scaling up and abandoning fine-tuning. They also utilized alternately dense and locally banded sparse attentional patterns in the transformer layer, similar to the sparse transformer Child et al. (2019). There are also several related studies, such as GPT-NEO(Black et al., 2022) and ChatGPT, which use Reinforcement Learning from Human Feedback (RLHF). RLHF has significantly enhanced the accuracy of GPT models. Although ChatGPT is not open source, many researchers Jiang et al. (2023) (Khattab et al., 2022) still use its API for generative tasks in RALM. Recently, report on GPT-4(Achiam et al., 2023) have appeared, with the main focus on building a predictable and scalable deep learning stack dedicated to improving GPT-4's safety and alignment. Many researchers Asai et al. (2023) (Luo et al., 2023) have recently used GPT-4 to generate prompts for RALM.

GPT 제품군은 AutoRegressive 언어 모델의 가장 일반적인 예 중 하나입니다. Radford 등(2018)이 처음 제안했으며, 이들은 미지도 사전 학습에 이어 Fine-tuning을 거치는 기본 아키텍처를 확인했습니다. Radford 등(2019)은 이후 GPT를 기반으로 한 zero-shot 학습을 제안했습니다. 이후 Brown 등(2020)은 Radford 등(2019)과 유사한 접근 방식을 사용하여 GPT-3를 제안했는데, 이는 규모를 확장하고 Fine-tuning을 포기하는 방식이었습니다. 또한 sparse Transformer Child 등(2019)과 유사하게 Transformer 레이어에 교호적으로 조밀하고 국부적으로 밴드가 있는 sparse attention 패턴을 활용했습니다. GPT-NEO(Black et al., 2022) 및 ChatGPT와 같은 몇 가지 관련 연구도 있으며, 이 연구들은 Reinforcement Learning from Human Feedback (RLHF)을 사용합니다. RLHF는 GPT 모델의 정확도를 크게 향상시켰습니다. ChatGPT는 오픈 소스가 아니지만, 많은 연구자들이 Jiang et al. (2023) (Khattab et al., 2022)은 여전히 RALM의 생성 작업에 ChatGPT의 API를 사용합니다. 최근에는 GPT-4(Achiam et al., 2023)에 대한 보고서가 등장했으며, 주요 초점은 GPT-4의 안전성과 정렬을 개선하기 위한 예측 가능하고 확장 가능한 딥 러닝 스택 구축에 있습니다. 많은 연구자들이 Asai 등(2023) (Luo 등, 2023)은 최근 RALM에 대한 프롬프트를 생성하기 위해 GPT-4를 사용했습니다.

GPT 제품군은 자동 회귀 언어 모델의 가장 일반적인 예 중 하나입니다. Radford 등(2018)이 처음 제안했으며, 이들은 미지도 사전 학습에 이어 미세 조정을 거치는 기본 아키텍처를 확인했습니다. Radford 등(2019)은 이후 GPT를 기반으로 한 제로 샷 학습을 제안했습니다. 이후 Brown 등(2020)은 Radford 등(2019)과 유사한 접근 방식을 사용하여 GPT-3를 제안했는데, 이는 규모를 확장하고 미세 조정을 포기하는 방식이었습니다. 또한 스파스 트랜스포머 Child 등(2019)과 유사하게 트랜스포머 레이어에 교호적으로 조밀하고 국부적으로 밴드가 있는 스파스 주의 패턴을 활용했습니다. GPT-NEO(Black et al., 2022) 및 ChatGPT와 같은 몇 가지 관련 연구도 있으며, 이 연구들은 인간 피드백(RLHF)을 통한 강화 학습을 사용합니다. RLHF는 GPT 모델의 정확도를 크게 향상시켰습니다. ChatGPT는 오픈 소스가 아니지만, 많은 연구자들이 Jiang et al. (2023) (Khattab et al., 2022)은 여전히 RALM의 생성 작업에 ChatGPT의 API를 사용합니다. 최근에는 GPT-4(Achiam et al., 2023)에 대한 보고서가 등장했으며, 주요 초점은 GPT-4의 안전성과 정렬을 개선하기 위한 예측 가능하고 확장 가능한 딥 러닝 스택 구축에 있습니다. 많은 연구자들이 Asai 등(2023) (Luo 등, 2023)은 최근 RALM에 대한 프롬프트를 생성하기 위해 GPT-4를 사용했습니다.

The KL-constrained reward maximization objective used in typical RLHF algorithms balances exploitation of reward while restricting the policy from deviating far from the reference policy. Therefore, when comparing algorithms, we must take into account both reward achieved as well as the KL discrepancy; achieving slightly higher reward but with much higher KL is not necessarily desirable. Figure 2 shows the reward-KL frontier for various algorithms in the sentiment setting. We execute multiple training runs for each algorithm, using a different hyperparameter for policy conservativeness in each run (target \(\text{KL}\in\{3,6,9,12\}\) for PPO, \(\beta\in\{0.05,0.1,1,5\}\), \(\alpha\in\{0.05,0.1,0.5,1\}\) for unlikelihood, random seeds for preferred-FT). This sweep includes 22 runs in total. After each 100 training steps until convergence, we evaluate each policy on a set of test prompts, computing the average reward under the true reward function as well as the average sequence-level KL3 with the reference policy \(\text{KL}\left(\pi\mid\mid\pi_{\text{ref}}\right)\). We find that DPO produces by far the most efficient frontier, achieving the highest reward while still achieving low KL. This result is particularly notable for multiple reasons.

일반적인 RLHF 알고리즘에서 사용되는 KL-constrained reward maximization objective는 보상의 착취를 균형 있게 유지하면서 정책이 기준 정책에서 크게 벗어나지 않도록 제한합니다. 따라서 알고리즘을 비교할 때는 달성한 보상과 KL discrepancy를 모두 고려해야 하며, 약간 더 높은 보상을 달성하되 KL이 훨씬 더 높은 것은 반드시 바람직한 것은 아닙니다. 그림 2는 감성 설정에서 다양한 알고리즘에 대한 reward-KL frontier를 보여줍니다. 각 알고리즘에 대해 다양한 하이퍼파라미터를 사용하여 다중 훈련 실행을 수행합니다(PPO의 경우 \(\text{KL}\in\{3,6,9,12\}\), \(\beta\in\{0.05,0.1,1,5\}\), \(\alpha\in\{0.05,0.1,0.5,1\}\), 선호도-FT의 경우 랜덤 시드). 이 스윕에는 총 22개의 실행이 포함됩니다. 수렴까지 각 100개의 훈련 단계마다 각 정책을 테스트 프롬프트 세트에 대해 평가하고, 실제 보상 함수에서 평균 보상과 참조 정책 \(\text{KL}\left(\pi\mid\mid\pi_{\text{ref}}\right)\)의 평균 시퀀스 수준 KL3을 계산합니다. DPO는 낮은 KL을 달성하면서 가장 높은 보상을 달성하는 가장 효율적인 프론티어를 생성한다는 것을 발견했습니다. 이 결과는 여러 가지 이유로 특히 주목할 만합니다.

일반적인 RLHF 알고리즘에서 사용되는 KL 제한 보상 최대화 목적은 보상의 착취를 균형 있게 유지하면서 정책이 기준 정책에서 크게 벗어나지 않도록 제한합니다. 따라서 알고리즘을 비교할 때는 달성한 보상과 KL 불일치를 모두 고려해야 하며, 약간 더 높은 보상을 달성하되 KL이 훨씬 더 높은 것은 반드시 바람직한 것은 아닙니다. 그림 2는 감성 설정에서 다양한 알고리즘에 대한 보상-KL 프론티어를 보여줍니다. 각 알고리즘에 대해 다양한 하이퍼파라미터를 사용하여 다중 훈련 실행을 수행합니다(PPO의 경우 \text{KL}\in\{3,6,9,12\}, \beta\in\{0.05,0.1,1,5\}, \alpha\in\{0.05,0.1,0.5,1\}, 선호도-FT의 경우 랜덤 시드). 이 스윕에는 총 22개의 실행이 포함됩니다. 수렴까지 각 100개의 훈련 단계마다 각 정책을 테스트 프롬프트 세트에 대해 평가하고, 실제 보상 함수에서 평균 보상과 참조 정책 \text{KL}\left(\pi\mid\mid\pi_{\text{ref}}\right)\)의 평균 시퀀스 수준 KL3을 계산합니다. DPO는 낮은 KL을 달성하면서 가장 높은 보상을 달성하는 가장 효율적인 프론티어를 생성한다는 것을 발견했습니다. 이 결과는 여러 가지 이유로 특히 주목할 만합니다.

Over recent years, an increasing amount of compute and data has been poured into training large language models (LLMs), usually by doing one-pass learning on as many tokens as possible randomly selected from large-scale web corpora. While training on ever-larger portions of the internet leads to consistent performance improvements, the size of these improvements diminishes with scale, and there has been little work exploring the effect of data selection on pre-training and downstream performance beyond simple de-duplication methods such as MinHash. Here, we show that careful data selection (on top of de-duplicated data) via pre-trained model embeddings can speed up training (20% efficiency gains) and improves average downstream accuracy on 16 NLP tasks (up to 2%) at the 6.7B model scale. Furthermore, we show that repeating data intelligently consistently _outperforms_ baseline training (while repeating random data performs worse than baseline training). Our results indicate that clever data selection can significantly improve LLM pre-training, calls into question the common practice of training for a single epoch on as much data as possible, and demonstrates a path to keep improving our models past the limits of randomly sampling web data.

최근 몇 년 동안 대규모 언어 모델(LLMs)을 학습시키는 데는 웹 코퍼스에서 무작위로 선택된 많은 토큰에 대해 한 번 학습하는 방식으로 계속 많은 compute와 data가 투입되고 있습니다. 인터넷의 점점 더 많은 부분을 학습하면 지속적으로 성능이 향상되지만, 이러한 향상의 규모는 점점 줄어들고 있으며, MinHash와 같은 간단한 중복 제거 방법을 넘어선 data selection이 pre-training 및 downstream 성능에 미치는 영향을 탐구하는 연구는 거의 이루어지지 않았습니다. 여기서는 pre-trained model embeddings을 통해 신중한 data selection(중복 제거된 data 위에)을 통해 학습 속도를 높이고(효율성 20% 향상), 16개의 NLP 작업에서 downstream 평균 정확도를 개선할 수 있음을 보여줍니다(최대 2%, 모델 규모 6.7B). 또한, data를 지능적으로 반복하는 것이 baseline 훈련을 지속적으로 _능가한다는 것을 보여줍니다(무작위 data를 반복하는 것은 baseline 훈련보다 성능이 떨어짐). 연구 결과에 따르면, 영리한 data selection은 LLM pre-training을 크게 개선할 수 있으며, 가능한 한 많은 data에 대해 한 번만 학습하는 일반적인 관행에 의문을 제기하고, 웹 data를 무작위로 샘플링하는 한계를 넘어 모델을 계속 개선할 수 있는 경로를 보여줍니다.

최근 몇 년 동안 대규모 언어 모델(LLM)을 학습시키는 데는 웹 코퍼스에서 무작위로 선택된 많은 토큰에 대해 한 번 학습하는 방식으로 계속 많은 컴퓨팅과 데이터가 투입되고 있습니다. 인터넷의 점점 더 많은 부분을 학습하면 지속적으로 성능이 향상되지만, 이러한 향상의 규모는 점점 줄어들고 있으며, MinHash와 같은 간단한 중복 제거 방법을 넘어선 데이터 선택이 사전 학습 및 다운스트림 성능에 미치는 영향을 탐구하는 연구는 거의 이루어지지 않았습니다. 여기서는 사전 학습된 모델 임베딩을 통해 신중한 데이터 선택(중복 제거된 데이터 위에)을 통해 학습 속도를 높이고(효율성 20% 향상), 16개의 NLP 작업에서 다운스트림 평균 정확도를 개선할 수 있음을 보여줍니다(최대 2%, 모델 규모 6.7B). 또한, 데이터를 지능적으로 반복하는 것이 기본선 훈련을 지속적으로 _능가한다는 것을 보여줍니다(무작위 데이터를 반복하는 것은 기본선 훈련보다 성능이 떨어짐). 연구 결과에 따르면, 영리한 데이터 선택은 LLM 사전 학습을 크게 개선할 수 있으며, 가능한 한 많은 데이터에 대해 한 번만 학습하는 일반적인 관행에 의문을 제기하고, 웹 데이터를 무작위로 샘플링하는 한계를 넘어 모델을 계속 개선할 수 있는 경로를 보여줍니다.

OLMo would not have been possible without the support of many individuals and institutions. The experimental components of this work were made possible through a partnership with AMD and CSC, enabling use of the LUMI supercomputer, and Kemper Institute at Harvard University. We thank Jonathan Frankle and the team at MosaicML (now Databricks) for sharing their experiences with FSDP, and building the code base that OLMo is based on. We thank our teammates Taira Anderson, Michelle Benedict, Jon Borchardt, Evie Cheng, Arnavi Chheda, Johann Dahm, Matt Latzke, Kelsey MacMillan, Aaron Sarnat, Carissa Schoenick, Sam Skjonsberg, Michael Schmitz, Michael Wilson, Caitlin Wittlif, and the entire IT team, for their help with the website, design, internal and external communications, budgeting, and other activities that supported smooth progress on this project. Finally, we also express gratitude for the helpful discussions and feedback from our teammates at AI2 and close collaborators, including Prithviraj (Raj) Ammanabrolu, Peter Clark, Nicole DeCario, Doug Downey, Ali Farhadi, Ian Ferreira, Vaino Hatanpaa, Sham M. Kakade, Julien Launay, Sydney Levine, Pekka Manninen, Franzi Roessner, Maarten Sap, Ludwig Schmidt, Yulia Tsvetkov, and Daniel S. Weld.

OLMo는 많은 개인과 기관의 지원 없이는 불가능했을 것입니다. 이 작업의 실험적 구성 요소는 AMD 및 CSC와의 파트너십을 통해 LUMI 슈퍼컴퓨터와 Harvard University의 Kemper Institute를 사용할 수 있었으며, 이를 통해 가능했습니다. Jonathan Frankle과 MosaicML(현 Databricks) 팀에게 FSDP에 대한 경험을 공유하고 OLMo의 기반이 되는 코드베이스를 구축해준 것에 대해 감사드립니다. 웹사이트, 디자인, 대내외 커뮤니케이션, 예산 책정 및 기타 활동을 지원하여 프로젝트의 원활한 진행을 도와준 동료인 Taira Anderson, Michelle Benedict, Jon Borchardt, Evie Cheng, Arnavi Chheda, Johann Dahm, Matt Latzke, Kelsey MacMillan, Aaron Sarnat, Carissa Schoenick, Sam Skjonsberg, Michael Schmitz, Michael Wilson, Caitlin Wittlif, 그리고 전체 IT 팀에게 감사의 말씀을 전합니다. 마지막으로 AI2의 팀원들과 Prithviraj (Raj) Ammanabrolu, Peter Clark, Nicole DeCario, Doug Downey, Ali Farhadi, Ian Ferreira, Vaino Hatanpaa, Sham M. Kakade, Julien Launay, Sydney Levine, Pekka Manninen, Franzi Roessner, Maarten Sap, Ludwig Schmidt, Yulia Tsvetkov, 그리고 Daniel S. Weld를 포함한 긴밀한 협력자들의 도움이 된 토론과 피드백에 대해 감사의 말씀을 전합니다.

OLMo는 많은 개인과 기관의 지원 없이는 불가능했을 것입니다. 이 작업의 실험적 구성 요소는 AMD 및 CSC와의 파트너십을 통해 룸미 슈퍼컴퓨터와 하버드 대학교의 켐퍼 연구소를 사용할 수 있었으며, 이를 통해 가능했습니다. 조나단 프랭클과 모자이크ML(현 다타브릭스) 팀에게 FSDP에 대한 경험을 공유하고 OLMo의 기반이 되는 코드베이스를 구축해준 것에 대해 감사드립니다. 웹사이트, 디자인, 대내외 커뮤니케이션, 예산 책정 및 기타 활동을 지원하여 프로젝트의 원활한 진행을 도와준 동료인 타이라 앤더슨, 미셸 베네딕트, 존 보차드, 에비 첸, 아르나비 체다, 요한 담, 매트 라츠케, 켈시 맥밀란, 아론 사르나트, 카리사 쇼닉, 샘 스키온스버그, 마이클 슈미츠, 마이클 윌슨, 케일린 윗리프, 그리고 전체 IT 팀에게 감사의 말씀을 전합니다. 마지막으로 AI2의 팀원들과 프리티비라즈(Raj) 암마나브로루, 피터 클라크, 니콜 데카리오, 더그 다우니, 알리 파르하디, 이안 페레이라, 바이노 하탄파, 샴 M. 카카데, 줄리앙 로네, 시드니 레빈, 페카 마니넨, 프란지 로에르너, 마르텐 잽버그, 루드비히 슈미트, 율리아 츠베트코프, 다니엘 S. 웰드를 포함한 긴밀한 협력자들의 도움이 된 토론과 피드백에 대해 감사의 말씀을 전합니다.

Recently, the development of open-source large language models (LLMs) has advanced rapidly. Nevertheless, due to data constraints, the capabilities of most open-source LLMs are primarily focused on English. To address this issue, we introduce the concept of _chat vector_ to equip pre-trained language models with instruction following and human value alignment via simple model arithmetic. The chat vector is derived by subtracting the weights of a pre-trained base model (e.g. LLaMA2) from those of its corresponding chat model (e.g. LLaMA2-chat). By simply adding the chat vector to a continual pre-trained model's weights, we can endow the model with chat capabilities in new languages without the need for further training. Our empirical studies demonstrate the superior efficacy of the chat vector from three different aspects: instruction following, toxicity mitigation, and multi-turn dialogue. Moreover, to showcase the adaptability of our approach, we extend our experiments to encompass various languages, base models, and chat vectors. The results underscore the chat vector's simplicity, effectiveness, and wide applicability, making it a compelling solution for efficiently enabling conversational capabilities in pre-trained language models.

최근 오픈 소스 Large Language Models (LLMs)의 개발이 빠르게 진전되고 있습니다. 그럼에도 불구하고 데이터 제약으로 인해 대부분의 오픈 소스 LLM의 기능은 주로 영어에 초점을 맞추고 있습니다. 이 문제를 해결하기 위해 _chat vector_의 개념을 도입하여 사전 학습된 언어 모델에 간단한 모델 연산을 통해 Instruction following 및 인간의 가치 정렬 기능을 갖추도록 합니다. chat vector는 사전 학습된 기본 모델(예: LLaMA2)의 가중치에서 해당 chat 모델(예: LLaMA2-chat)의 가중치를 뺀 값으로부터 도출됩니다. 사전 학습된 모델의 가중치에 chat vector를 더하기만 하면 추가 학습 없이도 새로운 언어로 모델에 chat 기능을 부여할 수 있습니다. 실험 연구를 통해 Instruction following, 독성 완화, 다중 턴 대화의 세 가지 측면에서 chat vector의 우수한 효과를 입증했습니다. 또한, 이 접근 방식의 적응력을 보여주기 위해 다양한 언어, 기본 모델 및 chat vectors를 포괄하는 실험을 확장했습니다. 그 결과 chat vector의 단순성, 효과성 및 광범위한 적용 가능성을 강조하며, 사전 학습된 언어 모델에서 대화 기능을 효율적으로 활성화할 수 있는 강력한 솔루션이 될 수 있음을 보여줍니다.

최근 오픈 소스 대규모 언어 모델(LLM)의 개발이 빠르게 진전되고 있습니다. 그럼에도 불구하고 데이터 제약으로 인해 대부분의 오픈 소스 LLM의 기능은 주로 영어에 초점을 맞추고 있습니다. 이 문제를 해결하기 위해 _채팅 벡터_의 개념을 도입하여 사전 학습된 언어 모델에 간단한 모델 연산을 통해 지시어 추종 및 인간의 가치 정렬 기능을 갖추도록 합니다. 채팅 벡터는 사전 학습된 기본 모델(예: LLaMA2)의 가중치에서 해당 채팅 모델(예: LLaMA2-chat)의 가중치를 뺀 값으로부터 도출됩니다. 사전 학습된 모델의 가중치에 채팅 벡터를 더하기만 하면 추가 학습 없이도 새로운 언어로 모델에 채팅 기능을 부여할 수 있습니다. 실험 연구를 통해 지시어 추종, 독성 완화, 다중 턴 대화의 세 가지 측면에서 채팅 벡터의 우수한 효과를 입증했습니다. 또한, 이 접근 방식의 적응력을 보여주기 위해 다양한 언어, 기본 모델 및 채팅 벡터를 포괄하는 실험을 확장했습니다. 그 결과 채팅 벡터의 단순성, 효과성 및 광범위한 적용 가능성을 강조하며, 사전 학습된 언어 모델에서 대화 기능을 효율적으로 활성화할 수 있는 강력한 솔루션이 될 수 있음을 보여줍니다.

**Data Generation for Instruction Tuning.** To address the high cost of human annotation for high-quality instruction-response pairs, several studies advocate for automating the data generation process Schick and Schutze (2021); Liu et al. (2022); Meng et al. (2023). Leveraging the in-context learning Brown et al. (2020) ability of LLMs, Wang et al. (2020), and et al. (2022); Honovich et al. (2022) prompt LLMs with seed instructions to generate synthetic ones. These are then fed to stronger LLMs, _e.g._, Chat-GPT, to generate responses for training the target (often smaller) LLM (Taori et al., 2023). As a representative work, WizardLM (Xu et al., 2023), designs a fixed set of human-crafted operations to increase complexity of instructions and control difficulty of generated data. Zhao et al. (2023); Zhou et al. (2023) further confirm the importance of instruction complexity for LLM alignment through empirical studies. Different from these works that rely on pre-defined rules without considering the downstream tasks, CodecLM enables automatically tailoring instructions for different downstream tasks and target LLMs. We also introduce Self-Rubrics and Contrastive Filtering to further identify the most effective instruction-response pairs.

**Instruction Tuning을 위한 데이터 생성**. 고품질 Instruction-응답 쌍에 대한 높은 인적 주석 비용을 해결하기 위해 몇몇 연구에서는 데이터 생성 프로세스를 자동화할 것을 주장합니다(Schick and Schutze, 2021); Liu et al. (2022); Meng et al. (2023). LLM의 In-Context Learning Brown et al. (2020) 능력을 활용하여 Wang et al. (2020), et al. (2022); Honovich et al. (2022)은 시드 Instruction으로 LLM을 프롬프트하여 합성 Instruction을 생성합니다. 이러한 Instruction은 강력한 LLM(예: Chat-GPT)에 입력되어 대상(소형) LLM을 훈련하기 위한 응답을 생성합니다(Taori et al., 2023). 대표적인 연구로, WizardLM(Xu et al., 2023)은 Instruction의 복잡성을 높이고 생성된 데이터의 난이도를 제어하기 위해 사람이 직접 만든 작업 집합을 고정적으로 설계했습니다. Zhao et al. (2023); Zhou et al. (2023)은 경험적 연구를 통해 LLM 정렬에 있어 Instruction 복잡성의 중요성을 추가로 확인했습니다. 다운스트림 작업을 고려하지 않고 사전 정의된 규칙에 의존하는 이러한 작업과는 달리, CodecLM은 다양한 다운스트림 작업과 대상 LLM에 맞게 Instruction을 자동으로 조정할 수 있습니다. 또한 가장 효과적인 Instruction-응답 쌍을 식별하기 위해 Self-Rubrics와 Contrastive Filtering을 도입했습니다.

**명령 튜닝을 위한 데이터 생성**. 고품질 명령어-응답 쌍에 대한 높은 인적 주석 비용을 해결하기 위해 몇몇 연구에서는 데이터 생성 프로세스를 자동화할 것을 주장합니다(Schick and Schutze, 2021); Liu et al. (2022); Meng et al. (2023). LLM의 인컨텍스트 학습 Brown et al. (2020) 능력을 활용하여 Wang et al. (2020), et al. (2022); Honovich et al. (2022)은 시드 명령어로 LLM을 프롬프트하여 합성 명령어를 생성합니다. 이러한 명령어는 강력한 LLM(예: Chat-GPT)에 입력되어 대상(소형) LLM을 훈련하기 위한 응답을 생성합니다(Taori et al., 2023). 대표적인 연구로, WizardLM(Xu et al., 2023)은 명령어의 복잡성을 높이고 생성된 데이터의 난이도를 제어하기 위해 사람이 직접 만든 작업 집합을 고정적으로 설계했습니다. Zhao et al. (2023); Zhou et al. (2023)은 경험적 연구를 통해 LLM 정렬에 있어 명령어 복잡성의 중요성을 추가로 확인했습니다. 다운스트림 작업을 고려하지 않고 사전 정의된 규칙에 의존하는 이러한 작업과는 달리, 코덱LM은 다양한 다운스트림 작업과 대상 LLM에 맞게 명령어를 자동으로 조정할 수 있습니다. 또한 가장 효과적인 명령어-응답어 쌍을 식별하기 위해 셀프 루브릭스와 대조 필터링을 도입했습니다.

Outside of the context of language, learning policies from preferences has been studied in both bandit and reinforcement learning settings, and several approaches have been proposed. Contextual bandit learning using preferences or rankings of actions, rather than rewards, is known as a contextual dueling bandit (CDB; [48; 14]). In the absence of absolute rewards, theoretical analysis of CDBs substitutes the notion of an optimal policy with a _von Neumann winner_, a policy whose expected win rate against _any_ other policy is at least 50% [14]. However, in the CDB setting, preference labels are given online, while in learning from human preferences, we typically learn from a fixed batch of offline preference-annotated action pairs [47]. Similarly, _preference-based RL_ (PbRL) learns from binary preferences generated by an _unknown_'scoring' function rather than rewards [9; 35]. Various algorithms for PbRL exist, including methods that can reuse off-policy preference data, but generally involve first explicitly estimating the latent scoring function (i.e. the reward model) and subsequently optimizing it [16; 9; 12; 34; 19]. We instead present a single stage policy learning approach that directly optimizes a policy to satisfy preferences.

언어의 맥락에서 벗어나 선호도에서 정책을 학습하는 것은 bandit 및 Reinforcement Learning 환경에서 연구되어 왔으며, 여러 가지 접근 방식이 제안되었습니다. 보상이 아닌 행동의 선호도 또는 순위를 사용하는 contextual bandit 학습을 contextual dueling bandit (CDB; [48; 14])라고 합니다. 절대적인 보상이 없는 경우, CDB에 대한 이론적 분석은 최적의 정책 개념을 _von Neumann winner_로 대체하며, 이는 _다른 정책에 대한 기대 승률이 최소 50%인 정책입니다[14]. 그러나 CDB 설정에서는 선호도 레이블이 온라인으로 제공되는 반면, 사람의 선호도를 학습하는 경우 일반적으로 오프라인 선호도가 주어진 고정된 일괄 작업에서 학습합니다[47]. 마찬가지로, _preference-based RL_ (PbRL)은 보상이 아닌 _알 수 없는_'점수' 함수에 의해 생성된 이진 선호도를 학습합니다[9; 35]. off-policy 선호도 데이터를 재사용할 수 있는 방법을 포함하여 다양한 PbRL 알고리즘이 존재하지만, 일반적으로 잠재 점수 함수(즉, 보상 모델)를 명시적으로 추정한 다음 이를 최적화하는 과정을 포함합니다[16; 9; 12; 34; 19]. 대신 선호도를 만족하도록 정책을 직접 최적화하는 단일 단계 정책 학습 접근 방식을 제시합니다.

언어의 맥락에서 벗어나 선호도에서 정책을 학습하는 것은 밴디트 및 강화 학습 환경에서 연구되어 왔으며, 여러 가지 접근 방식이 제안되었습니다. 보상이 아닌 행동의 선호도 또는 순위를 사용하는 컨텍스트 밴디트 학습을 컨텍스트 듀얼링 밴디트(CDB; [48; 14])라고 합니다. 절대적인 보상이 없는 경우, CDB에 대한 이론적 분석은 최적의 정책 개념을 _폰 노이만 승자_로 대체하며, 이는 _다른 정책에 대한 기대 승률이 최소 50%인 정책입니다[14]. 그러나 CDB 설정에서는 선호도 레이블이 온라인으로 제공되는 반면, 사람의 선호도를 학습하는 경우 일반적으로 오프라인 선호도가 주어진 고정된 일괄 작업에서 학습합니다[47]. 마찬가지로, _선호도 기반 RL_(PbRL)은 보상이 아닌 _알 수 없는_'점수' 함수에 의해 생성된 이진 선호도를 학습합니다[9; 35]. 오프폴리시 선호도 데이터를 재사용할 수 있는 방법을 포함하여 다양한 PbRL 알고리즘이 존재하지만, 일반적으로 잠재 점수 함수(즉, 보상 모델)를 명시적으로 추정한 다음 이를 최적화하는 과정을 포함합니다[16; 9; 12; 34; 19]. 대신 선호도를 만족하도록 정책을 직접 최적화하는 단일 단계 정책 학습 접근 방식을 제시합니다.

Multimodal-CoT Zhang et al. (2023) firstly fine-tunes multi-modal models to generate chain-of-thoughts and then reasons over the rationales to obtain final answers. However, it suffers from the limitation of the linearity of the reasoning process and has difficulties in interacting between different modalities. To alleviate the challenges encountered by Multimodal-CoT, Yao et al. (2023) proposes Graph-of-Thought (GoT), which models the thought processes as a graph. It parses the reasoning chains into a thought graph, which enables a more realistic representation of thought processes by capturing non-sequential information interactions. This measure breaks the limitations of linear structure through graphical structures and further improves performance. Furthermore, Yao et al. (2023) proposes Hypergraph-of-Thought (HoT), replacing thought graphs with hypergraphs, which enables models with better ability of high-order multi-hop reasoning and multi-modal comparative judgment. Meanwhile, some work takes an approach based on knowledge distillation. T-SciQ Wang et al. (2023) generates high-quality CoT rationales from LLMs as fine-tuning signals and introduces a novel data mixing strategy to produce effective samples for different questions.

멀티모달-CoT Zhang et al. (2023)은 먼저 멀티모달 모델을 Fine-tuning하여 생각의 사슬을 생성한 다음, 그 근거를 통해 추론하여 최종 답을 얻습니다. 그러나 추론 과정의 선형성 한계를 겪고 있으며, 서로 다른 방식 간의 상호 작용에 어려움을 겪고 있습니다. 멀티모달-CoT가 겪는 문제를 완화하기 위해 Yao et al. (2023)은 사고 과정을 그래프로 모델링하는 GoT(Graph-of-Thought)를 제안합니다. 추론 사슬을 사고 그래프로 구문 분석하여 비순차적 정보 상호 작용을 포착하여 사고 과정을 보다 현실적으로 표현할 수 있습니다. 이 측정은 그래픽 구조를 통해 선형 구조의 한계를 극복하고 성능을 더욱 향상시킵니다. 또한, Yao et al. (2023)은 사고 그래프를 하이퍼그래프로 대체하는 Hypergraph-of-Thought (HoT)를 제안하여 고차 멀티홉 추론과 멀티모달 비교 판단 능력이 더욱 향상된 모델을 제안합니다. 한편, 일부 연구에서는 지식 증류를 기반으로 하는 접근 방식을 취합니다. T-SciQ Wang et al. (2023)은 LLM에서 고품질 CoT 근거를 Fine-tuning 신호로 생성하고 새로운 데이터 믹싱 전략을 도입하여 다양한 질문에 대한 효과적인 샘플을 생성합니다.

멀티모달-CoT Zhang et al. (2023)은 먼저 멀티모달 모델을 미세 조정하여 생각의 사슬을 생성한 다음, 그 근거를 통해 추론하여 최종 답을 얻습니다. 그러나 추론 과정의 선형성 한계를 겪고 있으며, 서로 다른 방식 간의 상호 작용에 어려움을 겪고 있습니다. 멀티모달-CoT가 겪는 문제를 완화하기 위해 Yao et al. (2023)은 사고 과정을 그래프로 모델링하는 GoT(Graph-of-Thought)를 제안합니다. 추론 사슬을 사고 그래프로 구문 분석하여 비순차적 정보 상호 작용을 포착하여 사고 과정을 보다 현실적으로 표현할 수 있습니다. 이 측정은 그래픽 구조를 통해 선형 구조의 한계를 극복하고 성능을 더욱 향상시킵니다. 또한, Yao et al. (2023)은 사고 그래프를 하이퍼그래프로 대체하는 하이퍼그래프 오브 사고(HoT)를 제안하여 고차 멀티홉 추론과 멀티모달 비교 판단 능력이 더욱 향상된 모델을 제안합니다. 한편, 일부 연구에서는 지식 증류를 기반으로 하는 접근 방식을 취합니다. T-SciQ Wang et al. (2023)은 LLM에서 고품질 CoT 근거를 미세 조정 신호로 생성하고 새로운 데이터 믹싱 전략을 도입하여 다양한 질문에 대한 효과적인 샘플을 생성합니다.

Impact of front and back matter on the summary qualityBooks frequently contain additional information beyond the main narrative, including the author's biography, table of contents, dedications, and more, positioned at the beginning or the end of the book. Ideally, models should exclude this extraneous content, focusing solely on summarizing the core story. However, we have noted that models are sometimes unduly influenced by these elements, which can dominate a significant part of the summary and occasionally compromise its accuracy. Overall, between 19.23% (GPT-3.5-Turbo and GPT-4) and 34.62% (Mixtral) of summaries were affected by such content, either through focusing on this information,14 confusing story characters with names found in the front and/or back matter,15 or making up entire narrative based on a single mention.16Claude-3-Opus was the only model seemingly unaffected by the additional information. However, when faced with two summaries--where one primarily summarized the content of the back matter, since it represented the final chunk--the model declined to perform the task. We regard this cautious approach as preferable to introducing unfounded details or irrelevant content. Examples of such cases are shown in Table 24.

앞머리 및 뒷머리가 요약 품질에 미치는 영향책에는 저자의 약력, 목차, 헌정문 등 주요 서술 외의 추가 정보가 책의 시작 부분이나 끝 부분에 포함되어 있는 경우가 많습니다. 이상적으로는 모델은 이러한 부수적인 콘텐츠를 제외하고 핵심 스토리만 요약하는 데 집중해야 합니다. 그러나 모델이 이러한 요소에 지나치게 영향을 받아 요약의 상당 부분을 차지하고 때로는 정확성을 저해하는 경우가 있는 것으로 나타났습니다. 전체적으로 19.23%(GPT-3.5-Turbo 및 GPT-4)에서 34.62%(Mixtral) 사이의 요약이 이러한 콘텐츠의 영향을 받았는데, 이는 이러한 정보에 집중하거나,14 스토리 캐릭터를 앞/뒷부분에서 발견한 이름과 혼동하거나,15 단 한 번의 언급을 바탕으로 전체 내러티브를 만들어내는 경우16Claude-3-Opus는 추가 정보의 영향을 받지 않는 것으로 보이는 유일한 모델이었습니다. 그러나 두 개의 요약이 주어졌을 때, 한 요약은 주로 뒷부분의 내용을 요약했기 때문에 마지막 덩어리를 나타냈을 때 모델은 작업을 수행하지 않았습니다. 저자는 이러한 신중한 접근 방식이 근거 없는 세부 사항이나 관련 없는 내용을 소개하는 것보다 바람직하다고 생각합니다. 이러한 사례의 예는 표 24에 나와 있습니다.

앞머리 및 뒷머리가 요약 품질에 미치는 영향책에는 저자의 약력, 목차, 헌정문 등 주요 서술 외의 추가 정보가 책의 시작 부분이나 끝 부분에 포함되어 있는 경우가 많습니다. 이상적으로는 모델은 이러한 부수적인 콘텐츠를 제외하고 핵심 스토리만 요약하는 데 집중해야 합니다. 그러나 모델이 이러한 요소에 지나치게 영향을 받아 요약의 상당 부분을 차지하고 때로는 정확성을 저해하는 경우가 있는 것으로 나타났습니다. 전체적으로 19.23%(GPT-3.5-Turbo 및 GPT-4)에서 34.62%(Mixtral) 사이의 요약이 이러한 콘텐츠의 영향을 받았는데, 이는 이러한 정보에 집중하거나,14 스토리 캐릭터를 앞/뒷부분에서 발견한 이름과 혼동하거나,15 단 한 번의 언급을 바탕으로 전체 내러티브를 만들어내는 경우16클로드-3-오퍼스는 추가 정보의 영향을 받지 않는 것으로 보이는 유일한 모델이었습니다. 그러나 두 개의 요약이 주어졌을 때, 한 요약은 주로 뒷부분의 내용을 요약했기 때문에 마지막 덩어리를 나타냈을 때 모델은 작업을 수행하지 않았습니다. 저자는 이러한 신중한 접근 방식이 근거 없는 세부 사항이나 관련 없는 내용을 소개하는 것보다 바람직하다고 생각합니다. 이러한 사례의 예는 표 24에 나와 있습니다.

\(\bullet\)_Task learning._ In the second way, LLMs learn new tasks unseen in the pre-training stage only through demonstrations. Specially, task learning is analyzed mainly from the perspective of gradient descent and considered as implicit fine-tuning [496, 65]. Then, ICL can be explained as follows: by means of forward computation, LLMs generate meta-gradients with respect to demonstrations and implicitly perform gradient descent via the attention mechanism. Experiments also show that certain attention heads in LLMs are capable of performing task-agnostic atomic operations (_e.g.,_ copying and prefix matching), which are closely related to the ICL ability [497]. Furthermore, some studies abstract ICL as an algorithm learning process [498]. For example, the authors in [498] find that LLMs essentially encode implicit models through their parameters during pre-training. With the examples provided in ICL, LLMs can implement learning algorithms such as gradient descent or directly compute the closed-form solution to update these models during forward computation. Under this explanation framework, it has been shown that LLMs can effectively learn simple linear functions and even some complex functions like decision trees with ICL [498].

\(\bullet\)_Task 학습._ 두 번째 방법은 사전 학습 단계에서 보여주기만 통해 보이지 않는 새로운 작업을 학습하는 것입니다. 특히, task 학습은 주로 gradient descent의 관점에서 분석되며 암시적 Fine-tuning으로 간주됩니다[496, 65]. 그런 다음, In-Context Learning (ICL)은 포워드 계산을 통해 LLM이 데모에 대한 메타 그라데이션을 생성하고 attention 메커니즘을 통해 암시적으로 gradient descent를 수행한다는 식으로 설명할 수 있습니다. 실험 결과, LLM의 특정 attention 헤드는 복사 및 접두사 매칭과 같은 작업에 구애받지 않는 원자 연산을 수행할 수 있으며, 이는 ICL 능력과 밀접한 관련이 있습니다[497]. 또한 일부 연구에서는 ICL을 알고리즘 학습 프로세스로 추상화합니다[498]. 예를 들어, [498]의 저자들은 LLM이 사전 학습 중에 매개변수를 통해 암시적 모델을 인코딩한다는 것을 발견했습니다. ICL에 제공된 예제를 통해 LLM은 gradient descent와 같은 학습 알고리즘을 구현하거나 포워드 계산 중에 이러한 모델을 업데이트하기 위해 폐쇄형 솔루션을 직접 계산할 수 있습니다. 이 설명 프레임워크에서 LLM은 ICL을 통해 단순한 선형 함수는 물론 의사 결정 트리와 같은 일부 복잡한 함수도 효과적으로 학습할 수 있는 것으로 나타났습니다[498].

\(\bullet\)_Task 학습._ 두 번째 방법은 사전 학습 단계에서 보여주기만 통해 보이지 않는 새로운 작업을 학습하는 것입니다. 특히, 작업 학습은 주로 경사 하강의 관점에서 분석되며 암시적 미세 조정으로 간주됩니다[496, 65]. 그런 다음, ICL은 포워드 계산을 통해 LLM이 데모에 대한 메타 그라데이션을 생성하고 주의 메커니즘을 통해 암시적으로 그라데이션 하강을 수행한다는 식으로 설명할 수 있습니다. 실험 결과, LLM의 특정 주의 헤드는 복사 및 접두사 매칭과 같은 작업에 구애받지 않는 원자 연산을 수행할 수 있으며, 이는 ICL 능력과 밀접한 관련이 있습니다[497]. 또한 일부 연구에서는 ICL을 알고리즘 학습 프로세스로 추상화합니다[498]. 예를 들어, [498]의 저자들은 LLM이 사전 학습 중에 매개변수를 통해 암시적 모델을 인코딩한다는 것을 발견했습니다. ICL에 제공된 예제를 통해 LLM은 경사 하강과 같은 학습 알고리즘을 구현하거나 포워드 계산 중에 이러한 모델을 업데이트하기 위해 폐쇄형 솔루션을 직접 계산할 수 있습니다. 이 설명 프레임워크에서 LLM은 ICL을 통해 단순한 선형 함수는 물론 의사 결정 트리와 같은 일부 복잡한 함수도 효과적으로 학습할 수 있는 것으로 나타났습니다[498].

**DPO outline.** The general DPO pipeline is as follows: 1) Sample completions \(y_{1},y_{2}\sim\pi_{\text{ref}}(\cdot\mid x)\) for every prompt \(x\), label with human preferences to construct the offline dataset of preferences \(\mathcal{D}=\{x^{(i)},y_{w}^{(i)},y_{l}\}_{i=1}^{N}\) and 2) optimize the language model \(\pi_{\theta}\) to minimize \(\mathcal{L}_{\text{DPO}}\) for the given \(\pi_{\text{ref}}\) and \(\mathcal{D}\) and desired \(\beta\). In practice, one would like to reuse preference datasets publicly available, rather than generating samples and gathering human preferences. Since the preference datasets are sampled using \(\pi^{\text{STF}}\), we initialize \(\pi_{\text{ref}}=\pi^{\text{SFT}}\) whenever available. However, when \(\pi^{\text{SFT}}\) is not available, we initialize \(\pi_{\text{ref}}\) by maximizing likelihood of preferred completions \((x,y_{w})\), that is, \(\pi_{\text{ref}}=\arg\max_{\pi}\mathbb{E}_{x,y_{w}\sim\mathcal{D}}\left[\log \pi(y_{w}\mid x)\right]\). This procedure helps mitigate the distribution shift between the true reference distribution which is unavailable, and \(\pi_{\text{ref}}\) used by DPO. Further details related to the implementation and hyperparameters can be found in Appendix B.

**DPO 개요.** 일반적인 DPO 파이프라인은 다음과 같습니다: 1) 모든 프롬프트 \(x\)에 대해 샘플 완성 \(y_{1},y_{2}\sim\pi_{\text{ref}}(\cdot\mid x\), 인간의 선호도로 레이블을 지정하여 오프라인 선호도 데이터 집합 \(\mathcal{D}=\{x^{(i)},y_{w}^{(i)},y_{l}\}_{i=1}^{N}\)을 구성하고 2) 언어 모델 \(\pi_{\theta}\)를 최적화하여 주어진 \(\pi_{\text{ref}}\) 및 \(\mathcal{D}\)와 원하는 \(\beta\)에 대해 \(\mathcal{L}_{\text{DPO}}\)를 최소화합니다. 실제로는 샘플을 생성하고 사람의 선호도를 수집하는 대신 공개적으로 사용할 수 있는 선호도 데이터 세트를 재사용하고 싶을 것입니다. 선호도 데이터 세트는 \(\pi^{\text{SFT}}\)를 사용하여 샘플링되므로, \(\pi^{\text{SFT}}\)를 사용할 수 있는 경우 \(\pi_{\text{ref}}=\pi^{\text{SFT}}\)를 초기화합니다. 그러나 \(\pi^{\text{SFT}}\)를 사용할 수 없는 경우, 선호도가 높은 완성도 \((x,y_{w})\), 즉 \(\pi_{\text{ref}}=\arg\max_{\pi}\mathbb{E}_{x,y_{w}\sim\mathcal{D}}\left[\log \pi(y_{w}\mid x)\right]\). 이 절차는 사용할 수 없는 실제 참조 분포와 DPO에서 사용하는 \(\pi_{\text{ref}}\) 사이의 분포 이동을 완화하는 데 도움이 됩니다. 구현 및 하이퍼파라미터와 관련된 자세한 내용은 부록 B에서 확인할 수 있습니다.

**DPO 개요.** 일반적인 DPO 파이프라인은 다음과 같습니다: 1) 모든 프롬프트 \(x\)에 대해 샘플 완성 \(y_{1},y_{2}\sim\pi_{\text{ref}}(\cdot\mid x\), 인간의 선호도로 레이블을 지정하여 오프라인 선호도 데이터 집합 \(\mathcal{D}=\{x^{(i)},y_{w}^{(i)},y_{l}\}_{i=1}^{N}\)을 구성하고 2) 언어 모델 \(\pi_{\theta}\)를 최적화하여 주어진 \(\pi_{\text{ref}}\) 및 \(\mathcal{D}\)와 원하는 \(\beta\)에 대해 \(\mathcal{L}_{\text{DPO}}\)를 최소화합니다. 실제로는 샘플을 생성하고 사람의 선호도를 수집하는 대신 공개적으로 사용할 수 있는 선호도 데이터 세트를 재사용하고 싶을 것입니다. 선호도 데이터 세트는 \(\pi^{\text{STF}}\)를 사용하여 샘플링되므로, \(\pi^{\text{SFT}}\)를 사용할 수 있는 경우 \(\pi_{\text{ref}}=\pi^{\text{SFT}}\)를 초기화합니다. 그러나 \(\pi^{\text{SFT}}\)를 사용할 수 없는 경우, 선호도가 높은 완성도 \((x,y_{w})\), 즉 \(\pi_{\text{ref}}=\arg\max_{\pi}\mathbb{E}_{x,y_{w}\sim\mathcal{D}}\left[\log \pi(y_{w}\mid x)\right]\). 이 절차는 사용할 수 없는 실제 참조 분포와 DPO에서 사용하는 \(\pi_{\text{ref}}\) 사이의 분포 이동을 완화하는 데 도움이 됩니다. 구현 및 하이퍼파라미터와 관련된 자세한 내용은 부록 B에서 확인할 수 있습니다.

1. **Analyzing patient information:** Given the current conversation history, AMIE was instructed to 1) summarize the positive and negative symptoms of the patient as well as any relevant medical/family/social history and demographic information, 2) produce a current differential diagnosis, 3) note missing information needed for a more accurate diagnosis and 4) assess confidence in the current differential and highlight its urgency. 2. **Formulating response and action:** Building upon the conversation history and the output of step 1, AMIE performed the following: 1) Generate a response to the patient's last message and formulate further questions to acquire missing information and refine the differential diagnosis. 2) If necessary, recommend immediate action, such as an emergency room visit. If confident in the diagnosis based on available information, present the differential. 3. **Refining the response:** AMIE revises its previous output to meet specific criteria based on the conversation history and outputs from earlier steps. The criteria are primarily related to factuality and formatting of the response (e.g., avoid factual inaccuracies on patient facts and unnecessary repetition, show empathy, and display in a clear format).

1. **환자 정보 분석:** 현재 대화 기록을 고려할 때, AMIE는 1) 환자의 긍정적 및 부정적 증상과 관련 의료/가족/사회적 병력 및 인구통계학적 정보를 요약하고, 2) 현재 differential diagnosis를 생성하고, 3) 보다 정확한 진단에 필요한 누락된 정보를 기록하고, 4) 현재 differential diagnosis에 대한 자신감을 평가하고 그 긴급성을 강조하도록 지시받았습니다. 2. **응답 및 조치 공식화하기:** 대화 기록과 1단계의 결과를 바탕으로 AMIE는 다음을 수행했습니다: 1) 환자의 마지막 메시지에 대한 응답을 생성하고 누락된 정보를 확보하고 differential diagnosis를 구체화하기 위한 추가 질문을 공식화합니다. 2) 필요한 경우 응급실 방문과 같은 즉각적인 조치를 권장합니다. 사용 가능한 정보를 바탕으로 진단에 자신이 있다면 differential diagnosis를 제시합니다. 3. **응답을 구체화합니다:** AMIE는 대화 기록과 이전 단계의 결과를 바탕으로 특정 기준을 충족하도록 이전 결과물을 수정합니다. 기준은 주로 응답의 사실성 및 형식과 관련이 있습니다(예: 환자 사실에 대한 사실 부정확 및 불필요한 반복 피하기, 공감 표시, 명확한 형식으로 표시).

1. **환자 정보 분석:** 현재 대화 기록을 고려할 때, AMIE는 1) 환자의 긍정적 및 부정적 증상과 관련 의료/가족/사회적 병력 및 인구통계학적 정보를 요약하고, 2) 현재 감별 진단을 생성하고, 3) 보다 정확한 진단에 필요한 누락된 정보를 기록하고, 4) 현재 감별 진단에 대한 자신감을 평가하고 그 긴급성을 강조하도록 지시받았습니다. 2. **응답 및 조치 공식화하기:** 대화 기록과 1단계의 결과를 바탕으로 AMIE는 다음을 수행했습니다: 1) 환자의 마지막 메시지에 대한 응답을 생성하고 누락된 정보를 확보하고 감별 진단을 구체화하기 위한 추가 질문을 공식화합니다. 2) 필요한 경우 응급실 방문과 같은 즉각적인 조치를 권장합니다. 사용 가능한 정보를 바탕으로 진단에 자신이 있다면 감별 진단을 제시합니다. 3. **응답을 구체화합니다:** AMIE는 대화 기록과 이전 단계의 결과를 바탕으로 특정 기준을 충족하도록 이전 결과물을 수정합니다. 기준은 주로 응답의 사실성 및 형식과 관련이 있습니다(예: 환자 사실에 대한 사실 부정확 및 불필요한 반복 피하기, 공감 표시, 명확한 형식으로 표시).

\begin{table} \begin{tabular}{|c|c|c|c|c|c|c|} \hline Parameter & \(\alpha_{N}\) & \(\alpha_{S}\) & \(\alpha_{B}\) & \(N_{c}\) & \(S_{c}\) & \(B_{*}\) \\ \hline \hline C4 Value & \(0.076\) & \(0.67\) & \(0.205\) & \(1.5\times 10^{14}\) & \(2.6\times 10^{3}\) & \(1.7\times 10^{8}\) \\ \hline **[dataset as the test set and performed a deduplication process to ensure the removal of any overlapping text from the training set. In total, we trained only 10 small models, each with a maximum of 60M parameters, to estimate the constant terms of the scaling-law formulas. The estimated constant terms are presented in Table 1. The actual and predicted loss trajectories of a 2B model (30 times larger than the small model used to estimate the constant terms) using the estimated formulas are depicted on the left of Figure 1. It can be observed that the predicted loss trajectory closely aligns with the actual loss trajectory. Our estimated constant terms are also not far from those estimated in [10] despite using different setups, possibly due to the similar distributions of C4 and WebText, both of which consist of crawled website text. This reinforces the assertion in [11] that the power term in scaling laws primarily relies on the data manifold.

\begin{table} \begin{tabular}{|c|c|c|c|c|c|c|} \hline Parameter & \(\alpha_{N}\) & \(\alpha_{S}\) & \(\alpha_{B}\) & \(N_{c}\) & \(S_{c}\) & \(B_{*}\) \\ \hline \hline C4 Value & \(0.076\) & \(0.67\) & \(0.205\) & \(1.5\times 10^{14}\) & \(2.6\times 10^{3}\) & \(1.7\times 10^{8}\) \\ \hline **[데이터 세트를 테스트 세트로 사용하고 중복된 텍스트가 학습 세트에서 제거되도록 중복 제거 프로세스를 수행했습니다. 총 10개의 소형 모델만 학습했으며, 각 모델의 최대 파라미터는 60M에 불과했습니다. Scaling-law 공식의 상수 항을 추정하기 위해 학습했습니다. 추정된 상수 항은 표 1에 나와 있습니다. 추정된 공식을 사용하여 20억 모델(상수 항 추정에 사용된 소형 모델보다 30배 큰 모델)의 실제 Loss 궤적과 예측된 Loss 궤적이 그림 1의 왼쪽에 나와 있습니다. 예측된 Loss 궤적이 실제 Loss 궤적과 매우 유사하게 일치하는 것을 볼 수 있습니다. 또한 크롤링된 웹사이트 텍스트로 구성된 C4와 WebText의 유사한 분포로 인해 추정된 상수 항이 [10]에서 추정된 것과 크게 다르지 않습니다. 이는 Scaling laws의 거듭제곱 항이 주로 데이터 매니폴드에 의존한다는 [11]의 주장을 강화합니다.

\begin{table} \begin{tabular}{|c|c|c|c|c|c|c|} \hline Parameter & \(\alpha_{N}\) & \(\alpha_{S}\) & \(\alpha_{B}\) & \(N_{c}\) & \(S_{c}\) & \(B_{*}\) \\ \hline \hline C4 Value & \(0.076\) & \(0.67\) & \(0.205\) & \(1.5\times 10^{14}\) & \(2.6\times 10^{3}\) & \(1.7\times 10^{8}\) \\ \hline **[데이터 세트를 테스트 세트로 사용하고 중복된 텍스트가 학습 세트에서 제거되도록 중복 제거 프로세스를 수행했습니다. 총 10개의 소형 모델만 학습했으며, 각 모델의 최대 파라미터는 60M에 불과했습니다. 스케일링 법칙 공식의 상수 항을 추정하기 위해 학습했습니다. 추정된 상수 항은 표 1에 나와 있습니다. 추정된 공식을 사용하여 20억 모델(상수 항 추정에 사용된 소형 모델보다 30배 큰 모델)의 실제 손실 궤적과 예측된 손실 궤적이 그림 1의 왼쪽에 나와 있습니다. 예측된 손실 궤적이 실제 손실 궤적과 매우 유사하게 일치하는 것을 볼 수 있습니다. 또한 크롤링된 웹사이트 텍스트로 구성된 C4와 웹텍스트의 유사한 분포로 인해 추정된 상수 항이 [10]에서 추정된 것과 크게 다르지 않습니다. 이는 스케일링 법칙의 거듭제곱 항이 주로 데이터 매니폴드에 의존한다는 [11]의 주장을 강화합니다.

**Deduplication** After implementing a filtration process, we've developed a comprehensive deduplication pipeline. This pipeline includes document-level exact deduplication, document-level Minhash deduplication, and intra-document-level similar line deduplication, effectively identifying and removing duplicate content within documents. For exact deduplication, to reduce memory pressure we utilize a Bloom filter to approximate with a false positive rate set at 0.001. In the case of Minhash LSH, the signature is constructed from 128 hash functions and organized into 9 bands and 13 rows for LSH, achieving a Jaccard similarity of 0.8. The intra-document-level similar line deduplication targets removing repetitive lines within a single document. This approach was motivated by our observation that a significant portion of web-crawled data contained repetitions of 2 to 3 times within the same page, and due to the process of extracting text from HTML, some words might be lost, leading to slight variations in duplicates. For this deduplication, we employ edit distance to determine line similarity. The specific criterion is that two lines are considered similar if their edit distance is less than one-tenth of the length of the shorter line.

**Deduplication** 여과 프로세스를 구현한 후 종합적인 deduplication 파이프라인을 개발했습니다. 이 파이프라인에는 문서 수준의 정확한 deduplication, 문서 수준의 Minhash deduplication, 문서 내 수준의 유사한 줄 deduplication이 포함되어 문서 내 중복 콘텐츠를 효과적으로 식별하고 제거합니다. 정확한 deduplication의 경우 메모리 압력을 줄이기 위해 Bloom filter를 사용하여 오탐지율을 0.001로 설정하여 근사치를 구합니다. Minhash LSH의 경우, 128개의 해시 함수로 서명을 구성하고 LSH를 위해 9개의 밴드와 13개의 행으로 구성하여 Jaccard 유사도 0.8을 달성합니다. 문서 내 유사성 줄 deduplication은 단일 문서 내에서 반복되는 줄을 제거하는 것을 목표로 합니다. 이 접근 방식은 웹 크롤링된 데이터의 상당 부분이 동일한 페이지 내에서 2~3회 반복되는 경우가 많았고, HTML에서 텍스트를 추출하는 과정에서 일부 단어가 손실되어 중복이 약간 달라질 수 있다는 관찰에서 비롯된 것입니다. 이 deduplication을 위해 edit distance를 사용하여 줄 유사성을 판단합니다. 구체적인 기준은 edit distance가 짧은 줄의 길이의 10분의 1 미만인 경우 두 줄이 유사한 것으로 간주하는 것입니다.

**중복 제거** 여과 프로세스를 구현한 후 종합적인 중복 제거 파이프라인을 개발했습니다. 이 파이프라인에는 문서 수준의 정확한 중복 제거, 문서 수준의 Minhash 중복 제거, 문서 내 수준의 유사한 줄 중복 제거가 포함되어 문서 내 중복 콘텐츠를 효과적으로 식별하고 제거합니다. 정확한 중복 제거의 경우 메모리 압력을 줄이기 위해 블룸 필터를 사용하여 오탐지율을 0.001로 설정하여 근사치를 구합니다. Minhash LSH의 경우, 128개의 해시 함수로 서명을 구성하고 LSH를 위해 9개의 밴드와 13개의 행으로 구성하여 Jaccard 유사도 0.8을 달성합니다. 문서 내 유사성 줄 중복 제거는 단일 문서 내에서 반복되는 줄을 제거하는 것을 목표로 합니다. 이 접근 방식은 웹 크롤링된 데이터의 상당 부분이 동일한 페이지 내에서 2~3회 반복되는 경우가 많았고, HTML에서 텍스트를 추출하는 과정에서 일부 단어가 손실되어 중복이 약간 달라질 수 있다는 관찰에서 비롯된 것입니다. 이 중복 제거를 위해 편집 거리를 사용하여 줄 유사성을 판단합니다. 구체적인 기준은 편집 거리가 짧은 줄의 길이의 10분의 1 미만인 경우 두 줄이 유사한 것으로 간주하는 것입니다.

process, for each problem, we write a simple function to enumerate all alternative orderings of problem statements until an ordering that causes the LLM prediction failure is discovered, which can be used for our manual rewriting if the alternative ordering found in the enumeration process happens to preserve the ground truth answer. In total, our R-GSM benchmark contains 220 pairs of problems, including both the original GSM8K problem description and the manually rewritten one with a different ordering of problem statements. Despite that over 60% of problems in R-GSM only have 5 sentences, and all problems have at most 8 sentences, our evaluation shows that all LLMs still perform considerably worse on rewritten problems. Figure 2 presents an example in R-GSM where all LLMs correctly solve the original problem but not the rewritten one. Specifically, the reasoning steps for the original problem follows the ordering of problem statements, while for the rewritten problem, the second calculation step in the correct solution should refer to the second-to-last sentence instead of the second sentence in the problem description. We provide a more detailed case study in Section 3.3, and present the full dataset statistics in Appendix A.

프로세스에서 각 문제에 대해 LLM 예측 실패를 유발하는 순서가 발견될 때까지 문제 진술의 모든 대체 순서를 열거하는 간단한 함수를 작성하여 수동 재작성에 사용할 수 있으며, 열거 프로세스에서 발견된 대체 순서가 지상 진실 답을 보존하는 경우 수동 재작설에 사용할 수 있습니다. R-GSM benchmark에는 총 220쌍의 문제가 포함되어 있으며, 원래 GSM8K 문제 설명과 문제 진술의 순서가 다른 수동으로 재작성된 문제가 모두 포함되어 있습니다. R-GSM의 문제 중 60% 이상이 5문장으로만 구성되어 있고 모든 문제가 최대 8문장으로 구성되어 있음에도 불구하고 평가 결과 모든 LLM이 재작성된 문제에서 상당히 더 나쁜 성능을 보였습니다. 그림 2는 모든 LLM이 원래 문제는 정확하게 풀었지만 재작성된 문제는 풀지 못한 R-GSM의 예를 보여줍니다. 구체적으로, 원래 문제에 대한 추론 단계는 문제 진술의 순서를 따르지만, 재작성된 문제의 경우 정답의 두 번째 계산 단계는 문제 설명의 두 번째 문장이 아닌 두 번째에서 마지막 문장을 참조해야 합니다. 더 자세한 사례 연구는 섹션 3.3에서 제공하며, 전체 데이터 세트 통계는 부록 A에 나와 있습니다.

프로세스에서 각 문제에 대해 LLM 예측 실패를 유발하는 순서가 발견될 때까지 문제 진술의 모든 대체 순서를 열거하는 간단한 함수를 작성하여 수동 재작성에 사용할 수 있으며, 열거 프로세스에서 발견된 대체 순서가 지상 진실 답을 보존하는 경우 수동 재작설에 사용할 수 있습니다. R-GSM 벤치마크에는 총 220쌍의 문제가 포함되어 있으며, 원래 GSM8K 문제 설명과 문제 진술의 순서가 다른 수동으로 재작성된 문제가 모두 포함되어 있습니다. R-GSM의 문제 중 60% 이상이 5문장으로만 구성되어 있고 모든 문제가 최대 8문장으로 구성되어 있음에도 불구하고 평가 결과 모든 LLM이 재작성된 문제에서 상당히 더 나쁜 성능을 보였습니다. 그림 2는 모든 LLM이 원래 문제는 정확하게 풀었지만 재작성된 문제는 풀지 못한 R-GSM의 예를 보여줍니다. 구체적으로, 원래 문제에 대한 추론 단계는 문제 진술의 순서를 따르지만, 재작성된 문제의 경우 정답의 두 번째 계산 단계는 문제 설명의 두 번째 문장이 아닌 두 번째에서 마지막 문장을 참조해야 합니다. 더 자세한 사례 연구는 섹션 3.3에서 제공하며, 전체 데이터 세트 통계는 부록 A에 나와 있습니다.

In SS2.1, we mentioned that during the training process, only a minority of tokens belong to the H\(\rightarrow\)L category. Among the remaining categories of H\(\rightarrow\)H and L\(\rightarrow\)L tokens, there are tokens that exhibit significant fluctuations during training. Furthermore, there are instances where H\(\rightarrow\)L tokens are not effectively learned. Therefore, in our analysis, we specifically select those tokens from these categories that demonstrate considerable variability and distinct loss. We visualize these tokens that exhibit abnormal behavior during the training process. As illustrated in Figure 11, we find that the majority of these tokens originate from rather chaotic corpora. For instance, the corpora may include a mix of custom symbols, unintelligible gibberish, and information such as timetables and bibliographic references. Within a segment of normal text, there may also be fluctuations in the usage of common conjunctions, word suffixes, and punctuation marks. The latter may not necessarily be disastrous for training; in fact, it could represent a normal occurrence. However, if we can effectively mitigate the losses caused by the former, it might lead to more stable and efficient model training.

SS2.1에서 훈련 과정에서 소수의 토큰만이 H\(\rightarrow\)L 카테고리에 속한다고 언급했습니다. 나머지 H\(\rightarrow\)H 및 L\(\rightarrow\)L 토큰 카테고리 중에는 훈련 중에 상당한 변동을 보이는 토큰이 있습니다. 또한 H\(\rightarrow\)L 토큰이 효과적으로 학습되지 않는 경우도 있습니다. 따라서 분석에서는 이러한 범주에서 상당한 변동성과 뚜렷한 Loss를 보이는 토큰을 구체적으로 선택합니다. 훈련 과정에서 비정상적인 동작을 보이는 이러한 토큰을 시각화합니다. 그림 11에서 볼 수 있듯이, 이러한 토큰의 대부분은 다소 혼란스러운 말뭉치에서 발생하는 것으로 나타났습니다. 예를 들어, 말뭉치에는 사용자 지정 기호, 알아들을 수 없는 횡설수설, 시간표 및 참고 문헌과 같은 정보가 혼합되어 있을 수 있습니다. 정상적인 텍스트의 한 구간 내에서도 일반적인 접속사, 단어 접미사, 구두점의 사용에 변동이 있을 수 있습니다. 후자는 반드시 훈련에 치명적이지는 않을 수 있으며, 실제로는 정상적인 현상일 수도 있습니다. 그러나 전자에 의한 손실을 효과적으로 완화할 수 있다면 보다 안정적이고 효율적인 모델 훈련으로 이어질 수 있습니다.

SS2.1에서 훈련 과정에서 소수의 토큰만이 H\(\rightarrow\)L 카테고리에 속한다고 언급했습니다. 나머지 H\(\rightarrow\)H 및 L\(\rightarrow\)L 토큰 카테고리 중에는 훈련 중에 상당한 변동을 보이는 토큰이 있습니다. 또한 H\(\rightarrow\)L 토큰이 효과적으로 학습되지 않는 경우도 있습니다. 따라서 분석에서는 이러한 범주에서 상당한 변동성과 뚜렷한 손실을 보이는 토큰을 구체적으로 선택합니다. 훈련 과정에서 비정상적인 동작을 보이는 이러한 토큰을 시각화합니다. 그림 11에서 볼 수 있듯이, 이러한 토큰의 대부분은 다소 혼란스러운 말뭉치에서 발생하는 것으로 나타났습니다. 예를 들어, 말뭉치에는 사용자 지정 기호, 알아들을 수 없는 횡설수설, 시간표 및 참고 문헌과 같은 정보가 혼합되어 있을 수 있습니다. 정상적인 텍스트의 한 구간 내에서도 일반적인 접속사, 단어 접미사, 구두점의 사용에 변동이 있을 수 있습니다. 후자는 반드시 훈련에 치명적이지는 않을 수 있으며, 실제로는 정상적인 현상일 수도 있습니다. 그러나 전자에 의한 손실을 효과적으로 완화할 수 있다면 보다 안정적이고 효율적인 모델 훈련으로 이어질 수 있습니다.

Retrieval-Augmented Generation (RAG) merges retrieval methods with deep learning advancements to address the static limitations of large language models (LLMs) by enabling the dynamic integration of up-to-date external information. This methodology, focusing primarily on the text domain, provides a cost-effective solution to the generation of plausible but incorrect responses by LLMs, thereby enhancing the accuracy and reliability of their outputs through the use of real-world data. As RAG grows in complexity and incorporates multiple concepts that can influence its performance, this paper organizes the RAG paradigm into four categories: pre-retrieval, retrieval, post-retrieval, and generation, offering a detailed perspective from the retrieval viewpoint. It outlines RAG's evolution and discusses the field's progression through the analysis of significant studies. Additionally, the paper introduces evaluation methods for RAG, addressing the challenges faced and proposing future research directions. By offering an organized framework and categorization, the study aims to consolidate existing research on RAG, clarify its technological underpinnings, and highlight its potential to broaden the adaptability and applications of LLMs.

리트리버-증강 생성(Retrieval-Augmented Generation, RAG)은 retrieval 방법과 deep learning 발전을 결합하여 최신 외부 정보를 동적으로 통합함으로써 Large Language Models (LLMs)의 정적 한계를 해결합니다. 주로 텍스트 영역에 초점을 맞춘 이 방법론은 LLM이 그럴듯하지만 잘못된 응답을 생성하는 데 드는 비용 효율적인 솔루션을 제공하여 실제 데이터를 사용하여 출력의 정확성과 신뢰성을 향상시킵니다. 복잡성이 커지고 성능에 영향을 줄 수 있는 여러 개념이 통합됨에 따라 이 백서에서는 retrieval 관점에서 자세한 관점을 제공하는 pre-retrieval, retrieval, post-retrieval, generation의 네 가지 범주로 RAG 패러다임을 구성합니다. 또한 이 백서는 RAG의 진화를 개괄하고 주요 연구 분석을 통해 이 분야의 발전에 대해 논의합니다. 또한 이 백서는 RAG에 대한 평가 방법을 소개하고 직면한 과제를 해결하고 향후 연구 방향을 제안합니다. 이 연구는 체계적인 프레임워크와 분류를 제공함으로써 RAG에 대한 기존 연구를 통합하고, 기술적 토대를 명확히 하며, LLM의 적응성과 응용 분야를 넓힐 수 있는 RAG의 잠재력을 강조하는 것을 목표로 합니다.

리트리버-증강 생성(RAG)은 리트리버 방법과 딥러닝 발전을 결합하여 최신 외부 정보를 동적으로 통합함으로써 대규모 언어 모델(LLM)의 정적 한계를 해결합니다. 주로 텍스트 영역에 초점을 맞춘 이 방법론은 LLM이 그럴듯하지만 잘못된 응답을 생성하는 데 드는 비용 효율적인 솔루션을 제공하여 실제 데이터를 사용하여 출력의 정확성과 신뢰성을 향상시킵니다. 복잡성이 커지고 성능에 영향을 줄 수 있는 여러 개념이 통합됨에 따라 이 백서에서는 검색 관점에서 자세한 관점을 제공하는 검색 전, 검색, 검색 후, 생성의 네 가지 범주로 RAG 패러다임을 구성합니다. 또한 이 백서는 RAG의 진화를 개괄하고 주요 연구 분석을 통해 이 분야의 발전에 대해 논의합니다. 또한 이 백서는 RAG에 대한 평가 방법을 소개하고 직면한 과제를 해결하고 향후 연구 방향을 제안합니다. 이 연구는 체계적인 프레임워크와 분류를 제공함으로써 RAG에 대한 기존 연구를 통합하고, 기술적 토대를 명확히 하며, LLM의 적응성과 응용 분야를 넓힐 수 있는 RAG의 잠재력을 강조하는 것을 목표로 합니다.

**Small Language Models.** "Small Language Models" (SLMs) is an evolving concept that has undergone significant transformations over time. Presently, SLMs are generally construed as models that are smaller in scale compared to the well-known LLMs, typically not exceeding 7 billion parameters. These models are distinguished by their capacity for deployment on end-user devices, such as personal computers and smartphones, even in the absence of a GPU. Notable examples within the current landscape of SLMs include the Phi series (Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), TinyLlama (Zhang et al., 2024), MobileLLM (Liu et al., 2024), and Gemma (Banks and Warkentin, 2024), etc. A variety of methodologies have been explored to augment the efficacy of SLMs. These include the incorporation of high quality data (Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), the application of structure pruning techniques (Xia et al., 2023), and the reconfiguration of model architectures (Liu et al., 2024), among others. MiniCPMenhances the capabilities of SLMs through a meticulous amalgamation of hyper-parameter optimization, strategic training methodologies, architectural design, and high quality data.

**소규모 언어 모델**. "소규모 언어 모델"(SLM)은 시간이 지남에 따라 상당한 변화를 겪어온 진화하는 개념입니다. 현재 SLM은 일반적으로 잘 알려진 Large Language Models (LLMs)에 비해 규모가 작은 모델로, 일반적으로 파라미터가 70억 개를 넘지 않는 것으로 간주됩니다. 이러한 모델은 GPU가 없어도 개인용 컴퓨터나 스마트폰과 같은 최종 사용자 장치에 배포할 수 있는 것이 특징입니다. 현재 SLM의 대표적인 예로는 Phi 시리즈(Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), TinyLlama(Zhang et al., 2024), MobileLLM(Liu et al., 2024), Gemma(Banks and Warkentin, 2024) 등이 있습니다. SLM의 효율성을 높이기 위해 다양한 방법론이 탐색되고 있습니다. 여기에는 고품질 데이터 통합(Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), 구조 가지치 기법 적용(Xia et al., 2023), 모델 아키텍처 재구성(Liu et al., 2024) 등이 포함됩니다. MiniCPM은 하이퍼파라미터 최적화, 전략적 훈련 방법론, 아키텍처 설계, 고품질 데이터의 세심한 조합을 통해 SLM의 기능을 향상시킵니다.

**소규모 언어 모델**. "소규모 언어 모델"(SLM)은 시간이 지남에 따라 상당한 변화를 겪어온 진화하는 개념입니다. 현재 SLM은 일반적으로 잘 알려진 LLM에 비해 규모가 작은 모델로, 일반적으로 파라미터가 70억 개를 넘지 않는 것으로 간주됩니다. 이러한 모델은 GPU가 없어도 개인용 컴퓨터나 스마트폰과 같은 최종 사용자 장치에 배포할 수 있는 것이 특징입니다. 현재 SLM의 대표적인 예로는 Phi 시리즈(Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), TinyLlama(Zhang et al., 2024), MobileLLM(Liu et al., 2024), Gemma(Banks and Warkentin, 2024) 등이 있습니다. SLM의 효율성을 높이기 위해 다양한 방법론이 탐색되고 있습니다. 여기에는 고품질 데이터 통합(Gunasekar et al., 2023; Li et al., 2023; Javaheripi and Bubeck, 2023), 구조 가지치 기법 적용(Xia et al., 2023), 모델 아키텍처 재구성(Liu et al., 2024) 등이 포함됩니다. MiniCPM은 하이퍼파라미터 최적화, 전략적 훈련 방법론, 아키텍처 설계, 고품질 데이터의 세심한 조합을 통해 SLM의 기능을 향상시킵니다.

\(\bullet\)_Multi-agent based applications._ Different from single-agent systems where agents work independently, multi-agent systems work in collaboration to unleash collective intelligence. Typically, multiple agents can be instantiated from the same or different LLMs, each with their respective roles and functions. According to the coordinating strategies among these agents, multi-agent systems can be divided into two categories: cooperation-based and competition-based. In the cooperation-based mode, to share information and seek collaborative actions among agents, various communication protocols have been proposed, including free-form dialogue [883], structured document [884], and data embedding [885]. Based on the communication protocol, agents can be effectively organized for downstream applications, such as software engineering [884], user behavior analysis [821, 819], and society simulation [533]. In the competition-based mode, debate serves as one of the popular communication protocols to foster divergent thinking and elicit valuable external feedback among agents. Such a way is beneficial for domains that demand precise decision-making and accurate responses, such as mathematical reasoning [886] and evaluation [732].

\(\bullet\)_Multi-agent 기반 애플리케이션._ 에이전트가 독립적으로 작동하는 단일 에이전트 시스템과는 달리 Multi-agent 시스템은 협력하여 집단 지능을 발휘합니다. 일반적으로 동일하거나 다른 LLM에서 여러 에이전트를 인스턴스화할 수 있으며, 각 에이전트는 각자의 역할과 기능을 갖습니다. 이러한 에이전트 간의 조정 전략에 따라 Multi-agent 시스템은 협력 기반과 경쟁 기반의 두 가지 범주로 나눌 수 있습니다. 협력 기반 모드에서는 에이전트 간에 정보를 공유하고 협력적인 행동을 모색하기 위해 자유 형식의 대화[883], 구조화된 문서[884], 데이터 embedding[885] 등 다양한 통신 프로토콜이 제안되었습니다. 통신 프로토콜에 따라 소프트웨어 엔지니어링[884], 사용자 행동 분석[821, 819], 사회 시뮬레이션[533] 등 다운스트림 애플리케이션을 위해 에이전트를 효과적으로 구성할 수 있습니다. 경쟁 기반 모드에서는 토론이 에이전트 간에 다양한 사고를 촉진하고 가치 있는 외부 피드백을 이끌어내는 데 널리 사용되는 커뮤니케이션 프로토콜 중 하나입니다. 이러한 방식은 수학적 추론[886] 및 평가[732]와 같이 정확한 의사 결정과 정확한 응답이 필요한 영역에 유용합니다.

\(\bullet\)_멀티 에이전트 기반 애플리케이션._ 에이전트가 독립적으로 작동하는 단일 에이전트 시스템과는 달리 멀티 에이전트 시스템은 협력하여 집단 지능을 발휘합니다. 일반적으로 동일하거나 다른 LLM에서 여러 에이전트를 인스턴스화할 수 있으며, 각 에이전트는 각자의 역할과 기능을 갖습니다. 이러한 에이전트 간의 조정 전략에 따라 멀티 에이전트 시스템은 협력 기반과 경쟁 기반의 두 가지 범주로 나눌 수 있습니다. 협력 기반 모드에서는 에이전트 간에 정보를 공유하고 협력적인 행동을 모색하기 위해 자유 형식의 대화[883], 구조화된 문서[884], 데이터 임베딩[885] 등 다양한 통신 프로토콜이 제안되었습니다. 통신 프로토콜에 따라 소프트웨어 엔지니어링[884], 사용자 행동 분석[821, 819], 사회 시뮬레이션[533] 등 다운스트림 애플리케이션을 위해 에이전트를 효과적으로 구성할 수 있습니다. 경쟁 기반 모드에서는 토론이 에이전트 간에 다양한 사고를 촉진하고 가치 있는 외부 피드백을 이끌어내는 데 널리 사용되는 커뮤니케이션 프로토콜 중 하나입니다. 이러한 방식은 수학적 추론[886] 및 평가[732]와 같이 정확한 의사 결정과 정확한 응답이 필요한 영역에 유용합니다.

FLARE (Jiang et al., 2023) uses StrategyQA, which contains a significant number of yes/no questions from a diverse range of sources. In addition, the authors request that the model provide the exact reasoning process and the final answer that determines the yes/no answer, ensuring that the answer matches the gold answer exactly. The incorporation of in-context samples into the retrieved content, along with training using data from the COPA, HellaSwag, and PIQA datasets, has resulted in the development of LLM-R (Wang et al., 2023) model that exhibits excellent performance. The fundamental concept of the ITER-RETGEN (Gao et al., 2022) model employs an iterative methodology to integrate retrievers and language models. The model was trained for the Commonsense Reasoning task using the StrategyQA dataset and achieved its optimal performance at seven iterations. In contrast, KG-BART (Shao et al., 2023) is designed to prioritize the Commonsense Reasoning task and employs knowledge graphs to enhance its performance in this area. This approach has proven effective in significantly improving the model's ability to complete the Commonsense Reasoning task, with performance approaching that of human beings under certain evaluation metrics.

FLARE(Jiang et al., 2023)는 다양한 출처에서 상당수의 예/아니요 질문이 포함된 StrategyQA를 사용합니다. 또한 저자는 모델이 예/아니요 답변을 결정하는 정확한 추론 과정과 최종 답변을 제공하도록 요청하여 답변이 골드 답변과 정확히 일치하도록 합니다. 이러한 In-Context 샘플을 검색된 콘텐츠에 통합하고 COPA, HellaSwag 및 PIQA 데이터 세트의 데이터를 사용하여 훈련함으로써 뛰어난 성능을 보여주는 LLM-R(Wang et al., 2023) 모델을 개발했습니다. ITER-RETGEN(Gao et al., 2022) 모델의 기본 개념은 반복적인 방법론을 사용하여 Retrieval과 Language Models를 통합하는 것입니다. 이 모델은 StrategyQA 데이터 세트를 사용하여 Commonsense Reasoning 작업을 위해 훈련되었으며 7번의 반복에서 최적의 성능을 달성했습니다. 이와는 대조적으로 KG-BART(Shao et al., 2023)는 Commonsense Reasoning 작업의 우선 순위를 정하고 Knowledge Graphs를 사용하여 이 분야의 성능을 향상시키도록 설계되었습니다. 이러한 접근 방식은 특정 평가 지표에서 인간 수준에 근접한 성능을 발휘하는 모델의 Commonsense Reasoning 작업 완료 능력을 크게 향상시키는 데 효과적인 것으로 입증되었습니다.

FLARE(Jiang et al., 2023)는 다양한 출처에서 상당수의 예/아니요 질문이 포함된 StrategyQA를 사용합니다. 또한 저자는 모델이 예/아니요 답변을 결정하는 정확한 추론 과정과 최종 답변을 제공하도록 요청하여 답변이 골드 답변과 정확히 일치하도록 합니다. 이러한 상황 샘플을 검색된 콘텐츠에 통합하고 COPA, HellaSwag 및 PIQA 데이터 세트의 데이터를 사용하여 훈련함으로써 뛰어난 성능을 보여주는 LLM-R(Wang et al., 2023) 모델을 개발했습니다. ITER-RETGEN(Gao et al., 2022) 모델의 기본 개념은 반복적인 방법론을 사용하여 검색기와 언어 모델을 통합하는 것입니다. 이 모델은 StrategyQA 데이터 세트를 사용하여 상식 추론 작업을 위해 훈련되었으며 7번의 반복에서 최적의 성능을 달성했습니다. 이와는 대조적으로 KG-BART(Shao et al., 2023)는 상식 추론 작업의 우선 순위를 정하고 지식 그래프를 사용하여 이 분야의 성능을 향상시키도록 설계되었습니다. 이러한 접근 방식은 특정 평가 지표에서 인간 수준에 근접한 성능을 발휘하는 모델의 상식 추론 작업 완료 능력을 크게 향상시키는 데 효과적인 것으로 입증되었습니다.

The advent of ChatGPT has significantly impacted both academia and industry due to its interactive capabilities and widespread application, establishing itself as a leading artificial intelligence tool (Laskar et al., 2023; Jahan et al., 2023; Huang and Huang, 2024). At the core of ChatGPT is the large language model (LLM) GPT-4, as detailed by (OpenAI et al., 2023), which has seen numerous enhancements to its predecessors, showcasing exceptional abilities in a variety of Natural Language Processing (NLP) tasks (Laskar et al., 2020). Despite these advancements, the adoption of LLMs has highlighted several critical issues primarily due to their reliance on extensive datasets. This reliance restricts their ability to incorporate new information post-training, leading to three primary challenges. First, the focus on broad and general data to maximize accessibility and applicability results in subpar performance in specialized areas. Second, the rapid creation of online data, combined with the significant resources required for data annotation and model training, hinders LLMs' ability to stay updated. Third, LLMs are susceptible to generating convincing yet inaccurate responses, known as "hallucinations", which can mislead users.

ChatGPT의 등장은 대화형 기능과 광범위한 적용으로 학계와 산업계에 큰 영향을 미쳤으며, 인공지능 도구로서 선도적인 위치를 차지하고 있습니다(Laskar et al., 2023; Jahan et al., 2023; Huang과 Huang, 2024). ChatGPT의 핵심은 Large Language Model (LLM)인 GPT-4이며, (OpenAI et al., 2023)에서 자세히 설명한 바와 같이 이전 모델에 비해 다양한 Natural Language Processing (NLP) 작업에서 뛰어난 능력을 보여주는 여러 가지 개선 사항이 있었습니다(Laskar et al., 2020). 이러한 발전에도 불구하고 LLM의 채택은 광범위한 데이터 세트에 대한 의존으로 인해 몇 가지 중요한 문제를 부각시켰습니다. 이러한 의존성은 학습 후 새로운 정보를 통합하는 능력을 제한하여 세 가지 주요 과제로 이어집니다. 첫째, 접근성과 적용성을 극대화하기 위해 광범위하고 일반적인 데이터에 초점을 맞추다 보니 전문 분야에서의 성능이 저하됩니다. 둘째, 온라인 데이터의 급속한 생성과 데이터 주석과 모델 학습에 필요한 상당한 리소스로 인해 LLM의 업데이트 능력이 저해됩니다. 셋째, LLM은 사용자를 오도할 수 있는 'Hallucination'으로 알려진 설득력 있지만 부정확한 응답을 생성하기 쉽습니다.

ChatGPT의 등장은 대화형 기능과 광범위한 적용으로 학계와 산업계에 큰 영향을 미쳤으며, 인공지능 도구로서 선도적인 위치를 차지하고 있습니다(Laskar et al., 2023; Jahan et al., 2023; Huang과 Huang, 2024). ChatGPT의 핵심은 대규모 언어 모델(LLM)인 GPT-4이며, (OpenAI et al., 2023)에서 자세히 설명한 바와 같이 이전 모델에 비해 다양한 자연어 처리(NLP) 작업에서 뛰어난 능력을 보여주는 여러 가지 개선 사항이 있었습니다(Laskar et al., 2020). 이러한 발전에도 불구하고 LLM의 채택은 광범위한 데이터 세트에 대한 의존으로 인해 몇 가지 중요한 문제를 부각시켰습니다. 이러한 의존성은 학습 후 새로운 정보를 통합하는 능력을 제한하여 세 가지 주요 과제로 이어집니다. 첫째, 접근성과 적용성을 극대화하기 위해 광범위하고 일반적인 데이터에 초점을 맞추다 보니 전문 분야에서의 성능이 저하됩니다. 둘째, 온라인 데이터의 급속한 생성과 데이터 주석과 모델 학습에 필요한 상당한 리소스로 인해 LLM의 업데이트 능력이 저해됩니다. 셋째, LLM은 사용자를 오도할 수 있는 '환각'으로 알려진 설득력 있지만 부정확한 응답을 생성하기 쉽습니다.

Large "instruction-tuned" language models (i.e., finetuned to respond to instructions) have demonstrated a remarkable ability to generalize zero-shot to new tasks. Nevertheless, they depend heavily on human-written instruction data that is often limited in quantity, diversity, and creativity, therefore hindering the generality of the tuned model. We introduce Self-Instruct, a framework for improving the instruction-following capabilities of pretrained language models by bootstrapping off their own generations. Our pipeline generates instructions, input, and output samples from a language model, then filters invalid or similar ones before using them to finetune the original model. Applying our method to the vanilla GPT3, we demonstrate a 33% absolute improvement over the original model on Super-NaturalInstructions, on par with the performance of InstructGPT\({}_{001}\),1 which was trained with private user data and human annotations. For further evaluation, we curate a set of expert-written instructions for novel tasks, and show through human evaluation that tuning GPT3 with Self-Instruct outperforms using existing public instruction datasets by a large margin, leaving only a 5% absolute gap behind InstructGPT\({}_{001}\).

대규모 "Instruction-tuned" 언어 모델(즉, Instruction에 응답하도록 Fine-tuning된 모델)은 새로운 작업에 zero-shot으로 일반화하는 놀라운 능력을 입증했습니다. 그럼에도 불구하고 이러한 모델은 수량, 다양성, 창의성이 제한적인 인간이 작성한 Instruction 데이터에 크게 의존하기 때문에 튜닝된 모델의 일반성을 저해합니다. 저희는 언어 모델 자체 생성을 부트스트랩하여 사전 학습된 언어 모델의 Instruction 수행 기능을 개선하기 위한 프레임워크인 Self-Instruct를 소개합니다. 저희의 파이프라인은 언어 모델에서 Instruction, 입력 및 출력 샘플을 생성한 다음 유효하지 않거나 유사한 샘플을 필터링한 후 이를 사용하여 원래 모델을 Fine-tuning합니다. 이 방법을 바닐라 GPT3에 적용하여 Super-NaturalInstructions에서 원래 모델보다 33% 절대적으로 개선되었으며, 비공개 사용자 데이터와 인간 주석으로 학습된 InstructGPT\({}_{001}\)의 성능과 동등한 성능을 보여주었습니다. 추가 평가를 위해 새로운 작업에 대한 전문가가 작성한 Instruction 세트를 큐레이션하고, 인간 평가를 통해 Self-Instruct로 GPT3를 튜닝하는 것이 기존 공개 Instruction 데이터 세트를 사용하는 것보다 훨씬 뛰어난 성능을 보이며, InstructGPT\({}_{001}\) 뒤에 5%의 절대 격차만 남았음을 보여주었습니다.

대규모 "명령어 튜닝" 언어 모델(즉, 명령어에 응답하도록 미세 조정된 모델)은 새로운 작업에 0샷으로 일반화하는 놀라운 능력을 입증했습니다. 그럼에도 불구하고 이러한 모델은 수량, 다양성, 창의성이 제한적인 인간이 작성한 명령 데이터에 크게 의존하기 때문에 튜닝된 모델의 일반성을 저해합니다. 저희는 언어 모델 자체 생성을 부트스트랩하여 사전 학습된 언어 모델의 명령어 수행 기능을 개선하기 위한 프레임워크인 Self-Instruct를 소개합니다. 저희의 파이프라인은 언어 모델에서 명령어, 입력 및 출력 샘플을 생성한 다음 유효하지 않거나 유사한 샘플을 필터링한 후 이를 사용하여 원래 모델을 미세 조정합니다. 이 방법을 바닐라 GPT3에 적용하여 Super-NaturalInstructions에서 원래 모델보다 33% 절대적으로 개선되었으며, 비공개 사용자 데이터와 인간 주석으로 학습된 InstructGPT\({}_{001}\)1의 성능과 동등한 성능을 보여주었습니다. 추가 평가를 위해 새로운 작업에 대한 전문가가 작성한 지침 세트를 큐레이션하고, 인간 평가를 통해 Self-Instruct로 GPT3를 튜닝하는 것이 기존 공개 지침 데이터 세트를 사용하는 것보다 훨씬 뛰어난 성능을 보이며, InstructGPT\({}_{001}\) 뒤에 5%의 절대 격차만 남았음을 보여주었습니다.

Despite the progress and impact, the underlying principles of LLMs are still not well explored. Firstly, it is mysterious why emergent abilities occur in LLMs, instead of smaller PLMs. As a more general issue, there lacks a deep, detailed investigation of the key factors that contribute to the superior abilities of LLMs. It is important to study when and how LLMs obtain such abilities [47]. Although there are some meaningful discussions about this problem [47, 31], more principled investigations are needed to uncover the _"secrets"_ of LLMs. Secondly, it is difficult for the research community to train capable LLMs. Due to the huge demand of computation resources, it is very costly to carry out repetitive, ablating studies for investigating the effect of various strategies for training LLMs. Indeed, LLMs are mainly trained by industry, where many important training details (_e.g.,_ data collection and cleaning) are not revealed to the public. Thirdly, it is challenging to align LLMs with human values or preferences. Despite the capacities, LLMs are also likely to produce toxic, fictitious, or harmful contents. It requires effective and efficient control approaches to eliminating the potential risk of the use of LLMs [46].

진전과 영향에도 불구하고 LLM의 기본 원리는 아직 잘 탐구되지 않았습니다. 첫째, 더 작은 PLM이 아닌 LLM에서 emergent abilities가 발생하는 이유가 신비합니다. 보다 일반적인 문제로서, LLM의 우수한 능력에 기여하는 핵심 요인에 대한 심도 있고 상세한 조사가 부족합니다. LLM이 언제 어떻게 그러한 능력을 갖추는지 연구하는 것이 중요합니다[47]. 이 문제에 대한 의미 있는 논의가 있지만[47, 31], LLM의 '비밀'을 밝히기 위해서는 보다 원칙적인 조사가 필요합니다. 둘째, 연구 커뮤니티가 유능한 LLM을 훈련하는 것은 어렵습니다. 막대한 컴퓨팅 리소스가 필요하기 때문에 LLM 훈련을 위한 다양한 전략의 효과를 조사하기 위한 반복적이고 절제적인 연구를 수행하는 데는 많은 비용이 듭니다. 실제로 LLM은 주로 업계에서 훈련하며, 많은 중요한 훈련 세부 사항(_예:_ 데이터 수집 및 정리)이 대중에게 공개되지 않습니다. 셋째, LLM을 인간의 가치 또는 선호도에 맞추는 것은 어렵습니다. 능력에도 불구하고 LLM은 유독하거나 허구적이거나 유해한 콘텐츠를 생성할 가능성이 높습니다. LLM 사용의 잠재적 위험을 제거하기 위해서는 효과적이고 효율적인 제어 접근 방식이 필요합니다[46].

진전과 영향에도 불구하고 LLM의 기본 원리는 아직 잘 탐구되지 않았습니다. 첫째, 더 작은 PLM이 아닌 LLM에서 에머전트 능력이 발생하는 이유가 신비합니다. 보다 일반적인 문제로서, LLM의 우수한 능력에 기여하는 핵심 요인에 대한 심도 있고 상세한 조사가 부족합니다. LLM이 언제 어떻게 그러한 능력을 갖추는지 연구하는 것이 중요합니다[47]. 이 문제에 대한 의미 있는 논의가 있지만[47, 31], LLM의 '비밀'을 밝히기 위해서는 보다 원칙적인 조사가 필요합니다. 둘째, 연구 커뮤니티가 유능한 LLM을 훈련하는 것은 어렵습니다. 막대한 컴퓨팅 리소스가 필요하기 때문에 LLM 훈련을 위한 다양한 전략의 효과를 조사하기 위한 반복적이고 절제적인 연구를 수행하는 데는 많은 비용이 듭니다. 실제로 LLM은 주로 업계에서 훈련하며, 많은 중요한 훈련 세부 사항(_예:_ 데이터 수집 및 정리)이 대중에게 공개되지 않습니다. 셋째, LLM을 인간의 가치 또는 선호도에 맞추는 것은 어렵습니다. 능력에도 불구하고 LLM은 유독하거나 허구적이거나 유해한 콘텐츠를 생성할 가능성이 높습니다. LLM 사용의 잠재적 위험을 제거하기 위해서는 효과적이고 효율적인 제어 접근 방식이 필요합니다[46].

**Prompt Tuning**. Different from prefix tuning, prompt tuning [397, 402] mainly focuses on incorporating trainable prompt vectors at the input layer32. Based on the discrete prompting methods [404, 405], it augments the input text by including a group of soft prompt tokens (either in a free form [402] or a prefix form [397]), and then takes the prompt-augmented input to solve specific downstream tasks. In implementation, task-specific prompt embeddings are combined with the input text embeddings, which are subsequently fed into language models. P-tuning [402] has proposed a free form to combine the context, prompt and target tokens, which can be applied to the architectures for both natural language understanding and generation. They further learn the representations of soft prompt tokens by a bidirectional LSTM. Another representative approach [397] named _prompt tuning_ directly prepends prefix prompts to the input. During training, only the prompt embeddings would be learned according to task-specific supervisions. Since this method only includes a small number of trainable parameters at the input layer, it has been found that the performance highly relies on the model capacity of the underlying language models [397].

**Prompt Tuning**. Prompt Tuning[397, 402]은 Prefix Tuning과는 달리 주로 입력 레이어32에 학습 가능한 prompt 벡터를 통합하는 데 중점을 둡니다. Discrete Prompting Methods[404, 405]을 기반으로 하여 soft prompt 토큰 그룹을 포함하여 입력 텍스트를 증강한 다음, prompt-augmented 입력을 사용하여 특정 다운스트림 작업을 해결합니다. 구현 시, 작업별 prompt embeddings은 입력 텍스트 embeddings과 결합되어 언어 모델에 공급됩니다. P-tuning[402]은 자연어 이해 및 생성을 위한 아키텍처에 적용할 수 있는 컨텍스트, prompt 및 대상 토큰을 결합하는 자유 형식을 제안했습니다. 또한 양방향 LSTM을 통해 soft prompt 토큰의 표현을 학습합니다. 또 다른 대표적인 접근 방식[397]인 'Prompt Tuning'은 입력에 prefix prompts를 직접 앞에 붙입니다. 훈련 중에 prompt embeddings만 작업별 감독에 따라 학습됩니다. 이 방법은 입력 레이어에 학습 가능한 파라미터가 소수만 포함되므로 성능이 기본 언어 모델의 모델 용량에 크게 의존하는 것으로 나타났습니다[397].

프롬프트 튜닝**. 프롬프트 튜닝[397, 402]은 접두사 튜닝과는 달리 주로 입력 레이어32에 학습 가능한 프롬프트 벡터를 통합하는 데 중점을 둡니다. 이산 프롬프트 방법[404, 405]을 기반으로 하여 소프트 프롬프트 토큰 그룹을 포함하여 입력 텍스트를 증강한 다음, 프롬프트 증강된 입력을 사용하여 특정 다운스트림 작업을 해결합니다. 구현 시, 작업별 프롬프트 임베딩은 입력 텍스트 임베딩과 결합되어 언어 모델에 공급됩니다. P-튜닝[402]은 자연어 이해 및 생성을 위한 아키텍처에 적용할 수 있는 컨텍스트, 프롬프트 및 대상 토큰을 결합하는 자유 형식을 제안했습니다. 또한 양방향 LSTM을 통해 소프트 프롬프트 토큰의 표현을 학습합니다. 또 다른 대표적인 접근 방식[397]인 '프롬프트 튜닝'은 입력에 접두사 프롬프트를 직접 앞에 붙입니다. 훈련 중에 프롬프트 임베딩만 작업별 감독에 따라 학습됩니다. 이 방법은 입력 레이어에 학습 가능한 파라미터가 소수만 포함되므로 성능이 기본 언어 모델의 모델 용량에 크게 의존하는 것으로 나타났습니다[397].

In our DFS merging experiments, \(M=64,r=3\), and consequently, \(T=M\times r=192\). We kept the last 200 examples in the training data as our validation set and optimize on the rest of the data with a batch size of 200. We report the performance of the snapshot that achieved the highest accuracy in the validation set, and the test set is strictly isolated from the optimization process. We adopted CMA-ES in EvoJAX [46], it optimized \(\mathcal{I}\) and \(W\) for a total of 100 generations with a popluation size of 128, and we used the default hyper-parameters. We limited our DFS merging to two models \(A\) and \(B\) to ensure that the final model remains modest in size and can be run on a single GPU, but in principle, the methodology can scale to merging multiple models. During the merging, model \(A\)'stokenizer, and input/output embeddings are utilized. Furthermore, to maintain compatibility with the embedding layers, we mandate that the initial and final transformer layers of model \(A\) define the start and the end of the inference path. We initialized the indicator array \(\mathcal{I}\) so that all layers in model \(A\) are more likely to be included as initial hops in the inference path to shorten the search time.

DFS 병합 실험에서는 \(M=64,r=3\)이며, 결과적으로 \(T=M\times r=192\)가 됩니다. 훈련 데이터의 마지막 200개 예제를 유효성 검사 세트로 유지하고 나머지 데이터에 대해 Batch Size 200으로 최적화합니다. 유효성 검사 세트에서 가장 높은 정확도를 달성한 스냅샷의 성능을 보고하며, 테스트 세트는 엄격하게 최적화 프로세스에서 격리됩니다. EvoJAX [46]에서 CMA-ES를 채택하여 총 100세대에 걸쳐 \(\mathcal{I}\)와 \(W\)를 최적화했으며, 모집단 크기는 128로 하여 기본 하이퍼파라미터를 사용했습니다. 최종 모델의 크기를 적당하게 유지하고 단일 GPU에서 실행할 수 있도록 DFS 병합을 두 개의 모델 \(A\)와 \(B\)로 제한했지만, 원칙적으로 이 방법론은 여러 모델 병합으로 확장할 수 있습니다. 병합하는 동안 모델 \(A\)의 토크나이저 및 입력/출력 임베딩이 활용됩니다. 또한 임베딩 레이어와의 호환성을 유지하기 위해 모델 \(A\)의 초기 및 최종 Transformer 레이어가 추론 경로의 시작과 끝을 정의하도록 의무화했습니다. 추론 시간을 단축하기 위해 모델 \(A\)의 모든 레이어가 추론 경로의 초기 홉으로 포함될 가능성이 높도록 인디케이터 배열 \(\mathcal{I}\)를 초기화했습니다.

DFS 병합 실험에서는 \(M=64,r=3\)이며, 결과적으로 \(T=M\배 r=192\)가 됩니다. 훈련 데이터의 마지막 200개 예제를 유효성 검사 세트로 유지하고 나머지 데이터에 대해 배치 크기 200으로 최적화합니다. 유효성 검사 세트에서 가장 높은 정확도를 달성한 스냅샷의 성능을 보고하며, 테스트 세트는 엄격하게 최적화 프로세스에서 격리됩니다. EvoJAX [46]에서 CMA-ES를 채택하여 총 100세대에 걸쳐 \(\mathcal{I}\)와 \(W\)를 최적화했으며, 모집단 크기는 128로 하여 기본 하이퍼파라미터를 사용했습니다. 최종 모델의 크기를 적당하게 유지하고 단일 GPU에서 실행할 수 있도록 DFS 병합을 두 개의 모델 \(A\)와 \(B\)로 제한했지만, 원칙적으로 이 방법론은 여러 모델 병합으로 확장할 수 있습니다. 병합하는 동안 모델 \(A\)의 토큰화 및 입력/출력 임베딩이 활용됩니다. 또한 임베딩 레이어와의 호환성을 유지하기 위해 모델 \(A\)의 초기 및 최종 트랜스포머 레이어가 추론 경로의 시작과 끝을 정의하도록 의무화했습니다. 추론 시간을 단축하기 위해 모델 \(A\)의 모든 레이어가 추론 경로의 초기 홉으로 포함될 가능성이 높도록 인디케이터 배열 \(\mathcal{I}\)를 초기화했습니다.

**Overview.** The basic idea of non-RL alignment approaches is to directly fine-tune LLMs with _supervised learning_ on high-quality _alignment dataset_. It basically assumes that response feedback or golden rules to avert unsafe behaviors have been injected or included in the specially curated alignment dataset, so that LLMs can directly learn aligned behaviors from these demonstration data via suitable fine-tuning strategies. Thus, to implement this approach, two key issues are the construction of alignment dataset and the design of fine-tuning loss. For the first issue, the alignment dataset can be automatically constructed by an aligned LLMs according to human-written safety principles [347] or refining existing examples using edits operations [383]. In addition, we can also reuse existing reward models to select high-rated responses from existing human feedback data [373]. For the second issue, non-RL alignment approaches mainly fine-tune LLMs in a supervised learning way (the same as the original instruction tuning loss) on a high-quality alignment dataset, meanwhile auxiliary learning objectives can be used to enhance the alignment performance, _e.g._, ranking responses or contrasting instruction-response pairs.

**개요**. 비RL 정렬 접근 방식의 기본 아이디어는 고품질 _alignment dataset_에 대한 _supervised learning_을 통해 LLM을 직접 Fine-tuning하는 것입니다. 기본적으로 안전하지 않은 행동을 피하기 위한 응답 피드백 또는 황금률이 특별히 큐레이션된 alignment dataset에 주입되거나 포함되어 있어, LLM이 적절한 Fine-tuning 전략을 통해 이러한 데모 데이터에서 정렬된 행동을 직접 학습할 수 있다고 가정합니다. 따라서 이 접근 방식을 구현하기 위해서는 alignment dataset의 구성과 Fine-tuning loss의 설계라는 두 가지 핵심 문제가 있습니다. 첫 번째 문제에 대해 alignment dataset은 인간이 작성한 안전 원칙에 따라 정렬된 LLM에 의해 자동으로 구성되거나 [347] 편집 작업을 사용하여 기존 예제를 개선하거나 [383] 기존 보상 모델을 재사용하여 기존 인간 피드백 데이터에서 높은 등급의 응답을 선택할 수 있습니다. 두 번째 문제에 대해 비RL 정렬 접근 방식은 주로 고품질 alignment dataset에서 supervised learning 방식으로 LLM을 Fine-tuning하는 동시에 보조 학습 목표를 사용하여 정렬 성능을 향상시킬 수 있습니다(예: 응답 순위 매기기 또는 명령어-응답 쌍 대조).

**개요**. 비RL 정렬 접근 방식의 기본 아이디어는 고품질 _정렬 데이터 세트_에 대한 _지도 학습_을 통해 LLM을 직접 미세 조정하는 것입니다. 기본적으로 안전하지 않은 행동을 피하기 위한 응답 피드백 또는 황금률이 특별히 큐레이션된 정렬 데이터 세트에 주입되거나 포함되어 있어, LLM이 적절한 미세 조정 전략을 통해 이러한 데모 데이터에서 정렬된 행동을 직접 학습할 수 있다고 가정합니다. 따라서 이 접근 방식을 구현하기 위해서는 정렬 데이터 세트의 구성과 미세 조정 손실의 설계라는 두 가지 핵심 문제가 있습니다. 첫 번째 문제에 대해 정렬 데이터 세트는 인간이 작성한 안전 원칙에 따라 정렬된 LLM에 의해 자동으로 구성되거나 [347] 편집 작업을 사용하여 기존 예제를 개선하거나 [383] 기존 보상 모델을 재사용하여 기존 인간 피드백 데이터에서 높은 등급의 응답을 선택할 수 있습니다. 두 번째 문제에 대해 비RL 정렬 접근 방식은 주로 고품질 정렬 데이터 세트에서 지도 학습 방식으로 LLM을 미세 조정하는 동시에 보조 학습 목표를 사용하여 정렬 성능을 향상시킬 수 있습니다(예: 응답 순위 매기기 또는 명령어-응답 쌍 대조).

To ensure a fair comparison between Adapt-LLM and the popularity-based method, we replicated their approach using the Llama-2 TB model to determine the best popularity score threshold (found to be 707,000) using the same PopQA development set. This allowed us to obtain results consistent with their methodology while utilizing our base LLM. Similar to the original results in Mallen, Alex Troy and Asai, Akari and Zhong, Victor and Das, Rajarshi and Khashabi, Daniel and Hajishirzi, Hannaneh [22] when using smaller models, the popularity score threshold is almost equivalent to always retrieving contextual information for Llama-2 7B. The IR usage is of 99.86% as presented in Table 5. This clearly shows how the popularity score method struggles with smaller size models, being GPT-3 davinci-003 the only model to get a IR usage below 80% in the original paper when using adaptive retrieval with the Contriever. Subsequently, we evaluated our Adapt-LLM configuration on the same 25% test set split and compared the outcomes with those obtained using the method described by Mallen, Alex Troy and Asai, Akari and Zhong, Victor and Das, Rajarshi and Khashabi, Daniel and Hajishirzi, Hannaneh [22] with the Llama-2 LLM as the base model.

어댑트-LLM과 인기도 기반 방법 간의 공정한 비교를 위해 Llama-2 TB 모델을 사용하여 동일한 PopQA 개발 세트를 사용하여 최적의 인기도 점수 임계값(707,000으로 확인됨)을 찾는 접근 방식을 복제했습니다. 이를 통해 기본 LLM을 활용하면서도 그들의 방법론과 일치하는 결과를 얻을 수 있었습니다. Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]의 원래 결과와 유사하게 더 작은 모델을 사용할 때 인기도 점수 임계값은 Llama-2 7B에 대한 문맥 정보를 항상 검색하는 것과 거의 동일합니다. 표 5에 제시된 바와 같이 IR 사용률은 99.86%입니다. 이는 인기도 점수 방식이 작은 크기의 모델, 특히 Contriever로 adaptive retrieval을 사용할 때 원래 논문에서 GPT-3 davinci-003이 유일하게 IR 사용률이 80% 미만인 모델이라는 점을 명확하게 보여줍니다. 이후 동일한 25% 테스트 세트 분할에 대해 Adapt-LLM 구성을 평가하고 그 결과를 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]에서 설명한 방법을 사용하여 얻은 결과와 비교했습니다. base 모델로 Llama-2 LLM을 사용했습니다.

어댑트-LLM과 인기도 기반 방법 간의 공정한 비교를 위해 Llama-2 TB 모델을 사용하여 동일한 PopQA 개발 세트를 사용하여 최적의 인기도 점수 임계값(707,000으로 확인됨)을 찾는 접근 방식을 복제했습니다. 이를 통해 기본 LLM을 활용하면서도 그들의 방법론과 일치하는 결과를 얻을 수 있었습니다. Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]의 원래 결과와 유사하게 더 작은 모델을 사용할 때 인기도 점수 임계값은 Llama-2 7B에 대한 문맥 정보를 항상 검색하는 것과 거의 동일합니다. 표 5에 제시된 바와 같이 IR 사용률은 99.86%입니다. 이는 인기도 점수 방식이 작은 크기의 모델, 특히 Contriever로 적응형 검색을 사용할 때 원래 논문에서 GPT-3 davinci-003이 유일하게 IR 사용률이 80% 미만인 모델이라는 점을 명확하게 보여줍니다. 이후 동일한 25% 테스트 세트 분할에 대해 Adapt-LLM 구성을 평가하고 그 결과를 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]에서 설명한 방법을 사용하여 얻은 결과와 비교했습니다. base 모델로 Llama-2 LLM을 사용했습니다.

The OLMo framework encompasses the tools and resources required for building and researching language models. For training and modeling, it includes full model weights, training code, training logs, ablations, training metrics in the form of Weights & Biases logs, and inference code. This first release includes four variants of our language model at the 7B scale corresponding to different architectures, optimizers, and training hardware, and one model at the 1B scale, all trained on at least 2T tokens. We are also releasing hundreds of intermediate checkpoints available as revisions on HuggingFace. For dataset building and analysis, it includes the full training data used for these models, including code that produces the training data, from AI2's Dolma (Soldaini et al., 2024), and WIMBD (Elazar et al., 2023) for analyzing pretraining data. For evaluation, it includes AI2's Catwalk (Groeneveld et al., 2023) for downstream evaluation and Paloma (Magnusson et al., 2023) for perplexity-based evaluation. For instruction-tuning, we released Open Instruct (Ivison et al., 2023; Wang et al., 2023), and we are currently using it to produce an adapted (instruction-tuned and RLHFed) version of OLMo, which we will release soon.

OLMo 프레임워크에는 언어 모델을 구축하고 연구하는 데 필요한 도구와 리소스가 포함되어 있습니다. 훈련 및 모델링에는 전체 모델 가중치, 훈련 코드, 훈련 로그, 절제, Weights & Biases 로그 형식의 훈련 메트릭, 추론 코드가 포함됩니다. 이 첫 번째 릴리스에는 다양한 아키텍처, optimizers 및 훈련 하드웨어에 해당하는 7B 규모의 언어 모델 4가지 변형과 1B 규모의 모델 1가지가 포함되며, 모두 최소 2T 토큰 이상으로 훈련되었습니다. 또한 HuggingFace에서 수정본으로 사용할 수 있는 수백 개의 중간 체크포인트도 공개할 예정입니다. 데이터 세트 구축 및 분석에는 AI2의 Dolma(Soldaini et al., 2024)에서 생성된 훈련 데이터를 포함한 이러한 모델에 사용된 전체 훈련 데이터, 훈련 데이터를 생성하는 코드, 사전 훈련 데이터 분석을 위한 WIMBD(Elazar et al., 2023)가 포함되어 있습니다. 평가에는 다운스트림 평가를 위한 AI2의 Catwalk(Groeneveld et al., 2023)과 Perplexity 기반 평가를 위한 Paloma(Magnusson et al., 2023)가 포함되어 있습니다. Instruction Tuning을 위해 Open Instruct(Ivison et al., 2023; Wang et al., 2023)을 공개했으며, 현재 이를 사용하여 OLMo의 조정된(Instruction Tuning 및 RLHF) 버전을 제작 중이며, 곧 공개할 예정입니다.

OLMo 프레임워크에는 언어 모델을 구축하고 연구하는 데 필요한 도구와 리소스가 포함되어 있습니다. 훈련 및 모델링에는 전체 모델 가중치, 훈련 코드, 훈련 로그, 절제, 웨이트 & 바이즈 로그 형식의 훈련 메트릭, 추론 코드가 포함됩니다. 이 첫 번째 릴리스에는 다양한 아키텍처, 최적화 도구 및 훈련 하드웨어에 해당하는 7B 규모의 언어 모델 4가지 변형과 1B 규모의 모델 1가지가 포함되며, 모두 최소 2T 토큰 이상으로 훈련되었습니다. 또한 HuggingFace에서 수정본으로 사용할 수 있는 수백 개의 중간 체크포인트도 공개할 예정입니다. 데이터 세트 구축 및 분석에는 AI2의 Dolma(Soldaini et al., 2024)에서 생성된 훈련 데이터를 포함한 이러한 모델에 사용된 전체 훈련 데이터, 훈련 데이터를 생성하는 코드, 사전 훈련 데이터 분석을 위한 WIMBD(Elazar et al., 2023)가 포함되어 있습니다. 평가에는 다운스트림 평가를 위한 AI2의 Catwalk(Groeneveld et al., 2023)과 난해도 기반 평가를 위한 Paloma(Magnusson et al., 2023)가 포함되어 있습니다. 명령어 튜닝을 위해 Open Instruct(Ivison et al., 2023; Wang et al., 2023)을 공개했으며, 현재 이를 사용하여 OLMo의 조정된(명령어 튜닝 및 RLHF) 버전을 제작 중이며, 곧 공개할 예정입니다.

In this work, we limit ourselves to prompts that express a composition of two facts such as _"The mother of the singer of 'Superstition' is"_ that humans can complete with two hops by (1) inferring a _bridge entity_ (e.g., Stevie Wonder) and (2) inferring an attribute of that entity (e.g., who his mother is). Then, we study how often LLMs process the prompt using a similar latent two-hop reasoning pathway, although this pathway may not be the most salient pathway that largely determines the predicted output. To this end, we first study these hops individually, as shown in Figure 1. To study the first hop, we propose _entity recall score_ to approximate LLM's internal recall of the bridge entity by projecting specific hidden representations to vocabulary space. We test how changes to the input prompt affect this score. To study the second hop, we measure _consistency score_ between the distribution for completions of the two-hop prompt and an equivalent recall-based one-hop prompt (e.g., _"The mother of Stevie Wonder is"_). We check how often an intervention to increase the entity recall score increases consistency as an indication of second-hop utilization. Finally, we investigate how frequently both steps coincide.

이 작업에서는 인간이 (1) _bridge entity_ (예: 'Superstition'의 가수) 를 추론하고 (2) 해당 엔티티의 속성 (예: 그의 어머니가 누구인지)을 추론하여 두 번의 홉으로 완성할 수 있는 _두 가지 사실의 구성을 표현하는 프롬프트에 국한합니다. 그런 다음, LLM이 예측된 출력을 크게 결정하는 가장 눈에 띄는 경로는 아니더라도 유사한 잠재적 2-hop 추론 경로를 사용하여 프롬프트를 처리하는 빈도를 연구합니다. 이를 위해 먼저 그림 1과 같이 이러한 홉을 개별적으로 연구합니다. 첫 번째 홉을 연구하기 위해 특정 숨겨진 표현을 어휘 공간에 투영하여 LLM의 내부에서 bridge entity를 검색하는 것을 근사화하는 _entity recall score_를 제안합니다. 입력 프롬프트의 변경이 이 점수에 어떤 영향을 미치는지 테스트합니다. 두 번째 홉을 연구하기 위해 2-hop 프롬프트의 완성을 위한 완성과 동등한 검색 기반 1-hop 프롬프트(_"Stevie Wonder의 어머니는"_) 간의 _consistency score_를 측정합니다. entity recall score를 높이기 위한 개입이 두 번째 홉 활용의 지표로서 일관성을 얼마나 자주 증가시키는지 확인합니다. 마지막으로 두 단계가 얼마나 자주 일치하는지 조사합니다.

이 작업에서는 인간이 (1) _다리 엔티티_ (예: '미신'의 가수)를 추론하고 (2) 해당 엔티티의 속성 (예: 그의 어머니가 누구인지)을 추론하여 두 번의 홉으로 완성할 수 있는 _두 가지 사실의 구성을 표현하는 프롬프트에 국한합니다. 그런 다음, LLM이 예측된 출력을 크게 결정하는 가장 눈에 띄는 경로는 아니더라도 유사한 잠재적 2홉 추론 경로를 사용하여 프롬프트를 처리하는 빈도를 연구합니다. 이를 위해 먼저 그림 1과 같이 이러한 홉을 개별적으로 연구합니다. 첫 번째 홉을 연구하기 위해 특정 숨겨진 표현을 어휘 공간에 투영하여 LLM의 내부에서 브리지 엔티티를 검색하는 것을 근사화하는 _엔티티 검색 점수_를 제안합니다. 입력 프롬프트의 변경이 이 점수에 어떤 영향을 미치는지 테스트합니다. 두 번째 홉을 연구하기 위해 2홉 프롬프트의 완성을 위한 완성과 동등한 검색 기반 1홉 프롬프트(_"스티비 원더의 어머니는"_) 간의 _일관성 점수_를 측정합니다. 엔티티 검색 점수를 높이기 위한 개입이 두 번째 홉 활용의 지표로서 일관성을 얼마나 자주 증가시키는지 확인합니다. 마지막으로 두 단계가 얼마나 자주 일치하는지 조사합니다.

\(\bullet\)_Evaluation paradigms._ The responses of MLLMs can be evaluated either in a closed-ended or an open-ended manner. Traditional multimodal tasks often rely on a closed-ended evaluation framework, where the assessment is based on the exact match between the model's response and the ground-truth answer. Examples include the VQA score [849] for visual question answering tasks and the CIDEr [850] score for captioning tasks. However, MLLMs generate responses in an open-ended way, which may contain the correct answer but not exactly match the ground-truth perfectly. This discrepancy can lead to the underestimation of the model's performance in previous evaluation paradigms. To address this issue, recent approaches have incorporated humans or LLMs as evaluators [829]. For instance, MMBench [838] employs ChatGPT to align the model responses with the most relevant option in a set of multiple-choice questions. Similarly, LLaVA [851] utilizes GPT-4 for evaluating MLLMs' output, where GPT-4 takes the generated image captions and object bounding boxes as visual inputs for assessment. Such open-ended evaluation methods can improve assessment accuracy while incurring higher costs due to the involvement of humans or LLMs.

\(\bullet\)_평가 패러다임._ MLLM의 응답은 폐쇄형 또는 개방형 방식으로 평가할 수 있습니다. 기존의 멀티모달 작업은 종종 폐쇄형 평가 프레임워크에 의존하는데, 이는 모델의 응답과 기준답 사이의 정확한 일치 여부를 기준으로 평가하는 것입니다. 예를 들면 시각적 질문 답변 작업의 경우 VQA 점수[849], 캡션 작업의 경우 CIDEr[850] 점수 등이 있습니다. 그러나 MLLM은 개방형 방식으로 응답을 생성하므로 정답을 포함할 수 있지만 기준답과 완벽하게 일치하지 않을 수 있습니다. 이러한 불일치는 이전 평가 패러다임에서 모델의 성능을 과소평가하는 원인이 될 수 있습니다. 이 문제를 해결하기 위해 최근 접근 방식에서는 인간 또는 LLM을 평가자로 통합하고 있습니다[829]. 예를 들어, MMBench[838]는 ChatGPT를 사용하여 모델 응답을 객관식 문제 세트에서 가장 관련성이 높은 옵션과 일치시킵니다. 마찬가지로 LLaVA[851]는 MLLM의 출력을 평가하기 위해 GPT-4를 활용하는데, 여기서 GPT-4는 생성된 이미지 캡션과 객체 경계 상자를 시각적 입력으로 받아 평가합니다. 이러한 개방형 평가 방법은 평가 정확도를 높일 수 있지만 인간이나 LLM의 개입으로 인해 비용이 더 많이 듭니다.

\(\bullet\)_평가 패러다임._ MLLM의 응답은 폐쇄형 또는 개방형 방식으로 평가할 수 있습니다. 기존의 멀티모달 작업은 종종 폐쇄형 평가 프레임워크에 의존하는데, 이는 모델의 응답과 기준답 사이의 정확한 일치 여부를 기준으로 평가하는 것입니다. 예를 들면 시각적 질문 답변 작업의 경우 VQA 점수[849], 캡션 작업의 경우 CIDEr[850] 점수 등이 있습니다. 그러나 MLM은 개방형 방식으로 응답을 생성하므로 정답을 포함할 수 있지만 기준답과 완벽하게 일치하지 않을 수 있습니다. 이러한 불일치는 이전 평가 패러다임에서 모델의 성능을 과소평가하는 원인이 될 수 있습니다. 이 문제를 해결하기 위해 최근 접근 방식에서는 인간 또는 LLM을 평가자로 통합하고 있습니다[829]. 예를 들어, MMBench[838]는 ChatGPT를 사용하여 모델 응답을 객관식 문제 세트에서 가장 관련성이 높은 옵션과 일치시킵니다. 마찬가지로 LLaVA[851]는 MLLM의 출력을 평가하기 위해 GPT-4를 활용하는데, 여기서 GPT-4는 생성된 이미지 캡션과 객체 경계 상자를 시각적 입력으로 받아 평가합니다. 이러한 개방형 평가 방법은 평가 정확도를 높일 수 있지만 인간이나 LLM의 개입으로 인해 비용이 더 많이 듭니다.

In this section, we answer RQ2 of _how often an LLM performs the second-hop reasoning while processing two-hop prompts_. We view the second hop of reasoning as the LLM's utilization of what it knows about the bridge entity's attribute (Stevie Wonder's mother) to answer the two-hop prompt about the same attribute of the entity referred to by the descriptive mention (the singer of 'Superstition"s mother). Therefore, when an LLM performs the second hop, we expect to see a connection between its recall of the bridge entity (i.e. resolving the first hop) and its similarity in responding to a two-hop prompt and a corresponding one-hop prompt about the bridge entity's attribute, e.g., the two-hop prompt _"The mother of the singer of 'Superstition's"_ and the one-hop prompt _"The mother of Stevie Wonder is"_. Namely, the more strongly the model recalls the bridge entity (e.g., Stevie Wonder) while processing the two-hop prompt, the more similar the completion of this prompt should be to the completion of the one-hop prompt. In the following, we describe our approach for testing how often such a causal connection exists between entity recall and the _similarity_ in the prompt completions, which we refer to as _consistency_.

이 섹션에서는 _두 홉 프롬프트를 처리하는 동안 LLM이 두 번째 홉 추론을 얼마나 자주 수행하는지_에 대한 RQ2에 답합니다. 우리는 추론의 두 번째 홉을 LLM이 브리지 엔티티의 속성(Stevie Wonder의 어머니)에 대해 알고 있는 것을 활용하여 설명적 언급이 가리키는 엔티티의 동일한 속성에 대한 두 홉 프롬프트(예: 'Superstition'의 가수의 어머니)에 답하는 것으로 간주합니다. 따라서 LLM이 두 번째 홉을 수행할 때, 우리는 브리지 엔티티를 기억하는 것(즉, 첫 번째 홉을 해결하는 것)과 두 번째 홉 프롬프트에 응답하는 것과 브리지 엔티티의 속성에 대한 해당 한 홉 프롬프트(예: 두 번째 홉 프롬프트 _"Superstition'의 가수의 어머니"와 한 홉 프롬프트 _"Stevie Wonder의 어머니는"_. 즉, 모델이 두 홉 프롬프트를 처리하는 동안 브리지 엔티티(예: Stevie Wonder)를 더 강하게 기억할수록 이 프롬프트의 완성은 한 홉 프롬프트의 완성과 더 유사해야 합니다. 다음에서는 엔티티 리콜과 프롬프트 완료의 _similarity_ 사이에 이러한 인과 관계가 얼마나 자주 존재하는지 테스트하는 접근 방식에 대해 설명합니다(여기서 _consistency_라고 함).

이 섹션에서는 _두 홉 프롬프트를 처리하는 동안 LLM이 두 번째 홉 추론을 얼마나 자주 수행하는지_에 대한 RQ2에 답합니다. 우리는 추론의 두 번째 홉을 LLM이 브리지 엔티티의 속성(스티비 원더의 어머니)에 대해 알고 있는 것을 활용하여 설명적 언급이 가리키는 엔티티의 동일한 속성에 대한 두 홉 프롬프트(예: 'Superstition'의 가수의 어머니)에 답하는 것으로 간주합니다. 따라서 LLM이 두 번째 홉을 수행할 때, 우리는 브리지 엔티티를 기억하는 것(즉, 첫 번째 홉을 해결하는 것)과 두 번째 홉 프롬프트에 응답하는 것과 브리지 엔티티의 속성에 대한 해당 한 홉 프롬프트(예: 두 번째 홉 프롬프트 _"Superstition'의 가수의 어머니"와 한 홉 프롬프트 _"스티비 원더의 어머니는"_. 즉, 모델이 두 홉 프롬프트를 처리하는 동안 브리지 엔티티(예: 스티비 원더)를 더 강하게 기억할수록 이 프롬프트의 완성은 한 홉 프롬프트의 완성과 더 유사해야 합니다. 다음에서는 엔티티 리콜과 프롬프트 완료의 _유사성_ 사이에 이러한 인과 관계가 얼마나 자주 존재하는지 테스트하는 접근 방식에 대해 설명합니다(여기서 _일관성_이라고 함).

**Healthcare** is a vital application field closely related to human life. Ever since the advent of ChatGPT, a number of studies have applied ChatGPT or other LLMs to the medical domain. It has been shown that LLMs are capable of handling a variety of healthcare tasks, _e.g.,_ biology information extraction [763], medical advice consultation [902], mental health analysis [903], and report simplification [904]. As the major technical approach, researchers typically design specific prompts or instructions to guide LLMs to perform a wide range of medical tasks. To further harness the power of LLMs in the healthcare domain, researchers propose to develop healthcare-related LLMs [905, 356, 906]. Specifically, the Med-PaLM models [356, 905] achieves expert-level performance on the United States Medical Licensing Examination (USMLE), and earns greater approval from physicians in answering consumer's medical questions. However, LLMs may fabricate medical misinformation [904, 907], _e.g.,_ misinterpreting medical terms and suggesting advice inconsistent with medical guidelines. In addition, it would also raise privacy concerns to upload the health information of patients [763] into a commercial server that support the LLM.

**헬스케어**는 인간의 생명과 밀접한 관련이 있는 중요한 응용 분야입니다. ChatGPT가 등장한 이래로 많은 연구에서 ChatGPT 또는 다른 LLMs을 의료 영역에 적용하고 있습니다. LLMs은 생물학 정보 추출[763], 의료 자문 상담[902], 정신 건강 분석[903], 보고서 간소화[904] 등 다양한 의료 작업을 처리할 수 있는 것으로 나타났습니다. 주요 기술 접근 방식으로, 연구자들은 일반적으로 특정 prompts 또는 instructions을 설계하여 LLMs이 광범위한 의료 작업을 수행하도록 안내합니다. 의료 영역에서 LLMs의 힘을 더욱 활용하기 위해 연구자들은 의료 관련 LLMs [905, 356, 906]을 개발할 것을 제안합니다. 구체적으로, Med-PaLM 모델 [356, 905]은 미국 의사 면허 시험(USMLE)에서 전문가 수준의 성능을 달성했으며, 소비자의 의료 질문에 대한 의사의 승인을 더 많이 받았습니다. 그러나 LLMs은 의료 정보를 잘못 해석하거나 의료 지침과 일치하지 않는 조언을 제안하는 등 의료 오보를 조작할 수 있습니다[904, 907]. 또한 환자의 건강 정보 [763]를 LLMs을 지원하는 상용 서버에 업로드하는 것도 개인정보 보호 문제를 야기할 수 있습니다.

**헬스케어**는 인간의 생명과 밀접한 관련이 있는 중요한 응용 분야입니다. ChatGPT가 등장한 이래로 많은 연구에서 ChatGPT 또는 다른 LLM을 의료 영역에 적용하고 있습니다. LLM은 생물학 정보 추출[763], 의료 자문 상담[902], 정신 건강 분석[903], 보고서 간소화[904] 등 다양한 의료 작업을 처리할 수 있는 것으로 나타났습니다. 주요 기술 접근 방식으로, 연구자들은 일반적으로 특정 프롬프트 또는 지침을 설계하여 LLM이 광범위한 의료 작업을 수행하도록 안내합니다. 의료 영역에서 LLM의 힘을 더욱 활용하기 위해 연구자들은 의료 관련 LLM [905, 356, 906]을 개발할 것을 제안합니다. 구체적으로, Med-PaLM 모델 [356, 905]은 미국 의사 면허 시험(USMLE)에서 전문가 수준의 성능을 달성했으며, 소비자의 의료 질문에 대한 의사의 승인을 더 많이 받았습니다. 그러나 LLM은 의료 정보를 잘못 해석하거나 의료 지침과 일치하지 않는 조언을 제안하는 등 의료 오보를 조작할 수 있습니다[904, 907]. 또한 환자의 건강 정보 [763]를 LLM을 지원하는 상용 서버에 업로드하는 것도 개인정보 보호 문제를 야기할 수 있습니다.

Reasoning without Observation (ReWOO) [175] aims to decouple reasoning from direct observations. ReWOO operates by enabling LLMs to formulate comprehensive reasoning plans or meta-plans without immediate reliance on external data or tools. This approach allows the agent to create a structured framework for reasoning that can be executed once the necessary data or observations are available. In ReWOO, the LLM initially develops a plan (a series of steps) that outlines how to approach and solve a given problem. This meta-planning phase is crucial as it sets the stage for the agent to process information once it becomes available. The execution phase then involves integrating actual data or observations into the pre-specified plan, leading to coherent and contextually relevant responses. ReWOO offers significant advantages in terms of token efficiency and robustness to tool failure. It enables LLMs to handle tasks where immediate access to external data is not available, relying instead on a well-structured reasoning framework. This method is particularly advantageous in scenarios where data retrieval is costly, slow, or uncertain, allowing the LLM-based agent to maintain a high level of performance and reliability.

관찰 없이 추론하기(ReWOO) [175]는 추론을 직접 관찰과 분리하는 것을 목표로 합니다. ReWOO는 LLM이 외부 데이터나 도구에 즉각적으로 의존하지 않고 포괄적인 추론 계획 또는 메타 계획을 수립할 수 있도록 하여 작동합니다. 이 접근 방식을 통해 에이전트는 필요한 데이터나 관찰이 가능한 경우 실행할 수 있는 구조화된 추론 프레임워크를 만들 수 있습니다. ReWOO에서 LLM은 먼저 주어진 문제에 접근하고 해결하는 방법을 개략적으로 설명하는 계획(일련의 단계)을 개발합니다. 이 meta-planning 단계는 정보를 사용할 수 있게 되면 에이전트가 정보를 처리할 수 있는 발판을 마련하는 데 매우 중요합니다. 그런 다음 execution 단계에서는 실제 데이터 또는 관찰을 사전 지정된 계획에 통합하여 일관성 있고 상황에 맞는 응답을 이끌어냅니다. ReWOO는 토큰 효율성과 도구 실패에 대한 robustness 측면에서 상당한 이점을 제공합니다. 이를 통해 LLM은 외부 데이터에 즉시 액세스할 수 없는 작업을 처리할 수 있으며, 대신 잘 구조화된 추론 프레임워크에 의존합니다. 이 방법은 데이터 retrieval 비용이 많이 들거나 느리거나 불확실한 시나리오에서 특히 유리하며, LLM 기반 에이전트가 높은 수준의 성능과 안정성을 유지할 수 있도록 합니다.

관찰 없이 추론하기(ReWOO) [175]는 추론을 직접 관찰과 분리하는 것을 목표로 합니다. ReWOO는 LLM이 외부 데이터나 도구에 즉각적으로 의존하지 않고 포괄적인 추론 계획 또는 메타 계획을 수립할 수 있도록 하여 작동합니다. 이 접근 방식을 통해 에이전트는 필요한 데이터나 관찰이 가능한 경우 실행할 수 있는 구조화된 추론 프레임워크를 만들 수 있습니다. ReWOO에서 LLM은 먼저 주어진 문제에 접근하고 해결하는 방법을 개략적으로 설명하는 계획(일련의 단계)을 개발합니다. 이 메타 계획 단계는 정보를 사용할 수 있게 되면 에이전트가 정보를 처리할 수 있는 발판을 마련하는 데 매우 중요합니다. 그런 다음 실행 단계에서는 실제 데이터 또는 관찰을 사전 지정된 계획에 통합하여 일관성 있고 상황에 맞는 응답을 이끌어냅니다. ReWOO는 토큰 효율성과 도구 실패에 대한 견고성 측면에서 상당한 이점을 제공합니다. 이를 통해 LLM은 외부 데이터에 즉시 액세스할 수 없는 작업을 처리할 수 있으며, 대신 잘 구조화된 추론 프레임워크에 의존합니다. 이 방법은 데이터 검색 비용이 많이 들거나 느리거나 불확실한 시나리오에서 특히 유리하며, LLM 기반 에이전트가 높은 수준의 성능과 안정성을 유지할 수 있도록 합니다.

Pretraining Large Language Models (LLMs) on large corpora of textual data is now a standard paradigm. When using these LLMs for many downstream applications, it is common to additionally bake in new knowledge (e.g., time-critical news, or private domain knowledge) into the pretrained model either through RAG-based-prompting, or finetuning. However, the optimal methodology for the model to gain such new knowledge remains an open question. In this paper, we present Retrieval Augmented Fine Tuning (RAFT), a training recipe that improves the model's ability to answer questions in an "open-book" in-domain setting. In RAFT, given a question, and a set of retrieved documents, we train the model to ignore those documents that don't help in answering the question, which we call, distractor documents. RAFT accomplishes this by citing verbatim the right sequence from the relevant document that would help answer the question. This coupled with RAFT's chain-of-thought-style response helps improve the model's ability to reason. In domain specific RAG, RAFT consistently improves the model's performance across PubMed, HotpotQA, and Gorilla datasets, presenting a post-training recipe to improve pre-trained LLMs to in-domain RAG.

대규모 텍스트 데이터 코퍼라에 대해 Large Language Models (LLMs)을 사전 학습하는 것이 현재 표준 패러다임이 되었습니다. 이러한 LLM을 다양한 다운스트림 애플리케이션에 사용할 때, Retrieval-augmented generation (RAG) 기반 프롬프트 또는 Fine-tuning을 통해 사전 학습된 모델에 새로운 지식(예: 시간에 민감한 뉴스 또는 비공개 도메인 지식)을 추가하는 것이 일반적입니다. 그러나 모델이 이러한 새로운 지식을 습득하는 데 최적의 방법론은 여전히 미해결 과제로 남아 있습니다. 이 논문에서는 '오픈 북' 도메인 설정에서 질문에 답하는 모델의 능력을 향상시키는 훈련 레시피인 Retrieval Augmented Fine Tuning (RAFT)을 소개합니다. RAFT는 질문과 검색된 문서 집합이 주어지면 질문에 답하는 데 도움이 되지 않는 문서, 즉 산만 문서를 무시하도록 모델을 훈련합니다. RAFT는 질문에 답하는 데 도움이 되는 관련 문서에서 올바른 순서를 정확히 인용하여 이를 달성합니다. 이는 RAFT의 연쇄적 사고 스타일의 응답과 결합되어 모델의 추론 능력을 향상시키는 데 도움이 됩니다. 도메인별 RAG에서 RAFT는 PubMed, HotpotQA, Gorilla 데이터 세트에서 일관되게 모델의 성능을 향상시켜 사전 학습된 LLM을 도메인별 RAG로 개선하는 사후 학습 레시피를 제시합니다.

대규모 텍스트 데이터 코퍼라에 대해 대규모 언어 모델(LLM)을 사전 학습하는 것이 현재 표준 패러다임이 되었습니다. 이러한 LLM을 다양한 다운스트림 애플리케이션에 사용할 때, RAG 기반 프롬프트 또는 미세 조정을 통해 사전 학습된 모델에 새로운 지식(예: 시간에 민감한 뉴스 또는 비공개 도메인 지식)을 추가하는 것이 일반적입니다. 그러나 모델이 이러한 새로운 지식을 습득하는 데 최적의 방법론은 여전히 미해결 과제로 남아 있습니다. 이 논문에서는 '오픈 북' 도메인 설정에서 질문에 답하는 모델의 능력을 향상시키는 훈련 레시피인 검색 증강 미세 조정(RAFT)을 소개합니다. RAFT는 질문과 검색된 문서 집합이 주어지면 질문에 답하는 데 도움이 되지 않는 문서, 즉 산만 문서를 무시하도록 모델을 훈련합니다. RAFT는 질문에 답하는 데 도움이 되는 관련 문서에서 올바른 순서를 정확히 인용하여 이를 달성합니다. 이는 RAFT의 연쇄적 사고 스타일의 응답과 결합되어 모델의 추론 능력을 향상시키는 데 도움이 됩니다. 도메인별 RAG에서 RAFT는 PubMed, HotpotQA, Gorilla 데이터 세트에서 일관되게 모델의 성능을 향상시켜 사전 학습된 LLM을 도메인별 RAG로 개선하는 사후 학습 레시피를 제시합니다.

**Knowledge Completion.** In knowledge completion tasks, LLMs might be (to some extent) considered as a knowledge base [576], which can be leveraged to complete or predict the missing parts of knowledge units (_e.g._, knowledge triples). Such tasks can probe and evaluate _how much_ and _what kind of_ knowledge LLMs have learned from the pre-training data. Existing knowledge completion tasks can be roughly divided into knowledge graph completion tasks (_e.g._, FB15k-237 [572] and WN18RR [574]) and fact completion tasks (_e.g._, WikiFact [571]), which aim to complete the triples from a knowledge graph and incomplete sentences about specific facts, respectively. Empirical studies have revealed that it is difficult for existing LLMs to accomplish knowledge completion tasks related to specific relation types [520]. As shown in the evaluation results on WikiFact, LLMs perform well on several frequent relations that occur in the pre-training data (_e.g._, currency and author), while not well on rare ones (_e.g._, discoverer_or_inventor and place_of_birth). Interestingly, under the same evaluation settings (_e.g._, in-context learning), InstructGPT (_i.e._, text-davinci-002) outperforms GPT-3 in all subsets of WikiFact.

**Knowledge Completion**. 지식 완성 작업에서 LLM은 (어느 정도) 지식 베이스 [576]로 간주될 수 있으며, 이를 활용하여 지식 단위의 누락된 부분(_예: 지식 트리플)을 완성하거나 예측할 수 있습니다. 이러한 작업은 LLM이 사전 학습 데이터에서 얼마나 많은 양의 지식을 학습했는지, 어떤 종류의 지식을 학습했는지를 탐색하고 평가할 수 있습니다. 기존의 지식 완성 작업은 지식 그래프에서 트리플을 완성하는 지식 그래프 완성 작업(_예: FB15k-237 [572] 및 WN18RR [574])과 특정 사실에 대한 불완전한 문장을 완성하는 사실 완성 작업(_예: WikiFact [571])으로 대별할 수 있으며, 각각 지식 그래프에서 트리플을 완성하고 특정 사실에 대한 불완전한 문장을 완성하는 것을 목표로 합니다. 실증 연구에 따르면 기존 LLM은 특정 관계 유형과 관련된 지식 완성 작업을 수행하기 어렵다고 합니다[520]. WikiFact에 대한 평가 결과에서 볼 수 있듯이, LLM은 사전 학습 데이터에 발생하는 몇 가지 빈번한 관계(예: 통화 및 작성자)에 대해서는 우수한 성능을 보이는 반면, 희귀한 관계(예: 발견자_또는_발명자 및 출생지)에 대해서는 그다지 우수하지 않습니다. 흥미롭게도 동일한 평가 설정(예: In-Context Learning)에서 InstructGPT(_즉, text-davinci-002)는 WikiFact의 모든 하위 집합에서 GPT-3보다 우수한 성능을 보입니다.

**지식 완성**. 지식 완성 작업에서 LLM은 (어느 정도) 지식 베이스 [576]로 간주될 수 있으며, 이를 활용하여 지식 단위의 누락된 부분(_예: 지식 트리플)을 완성하거나 예측할 수 있습니다. 이러한 작업은 LLM이 사전 학습 데이터에서 얼마나 많은 양의 지식을 학습했는지, 어떤 종류의 지식을 학습했는지를 탐색하고 평가할 수 있습니다. 기존의 지식 완성 작업은 지식 그래프에서 트리플을 완성하는 지식 그래프 완성 작업(_예: FB15k-237 [572] 및 WN18RR [574])과 특정 사실에 대한 불완전한 문장을 완성하는 사실 완성 작업(_예: 위키팩트 [571])으로 대별할 수 있으며, 각각 지식 그래프에서 트리플을 완성하고 특정 사실에 대한 불완전한 문장을 완성하는 것을 목표로 합니다. 실증 연구에 따르면 기존 LLM은 특정 관계 유형과 관련된 지식 완성 작업을 수행하기 어렵다고 합니다[520]. 위키팩트에 대한 평가 결과에서 볼 수 있듯이, LLM은 사전 학습 데이터에 발생하는 몇 가지 빈번한 관계(예: 통화 및 작성자)에 대해서는 우수한 성능을 보이는 반면, 희귀한 관계(예: 발견자_또는_발명자 및 출생지)에 대해서는 그다지 우수하지 않습니다. 흥미롭게도 동일한 평가 설정(예: 인컨텍스트 학습)에서 InstructGPT(_즉, 텍스트-다빈치-002)는 위키팩트의 모든 하위 집합에서 GPT-3보다 우수한 성능을 보입니다.

* **Three datasets, no shift** : We consider an \(N=3\) setting, where \(\mathcal{D}_{0},\mathcal{D}_{1},\mathcal{D}_{2}\) are each district 100B token splits of SlimPajama. This setting is primarily used to evaluate the ability of our techniques to scale to many future updates and to assess the performance of our proposed infinite learning rate schedules. * **Domain incremental continual pre-training**: This setting considers consuming the tokens of SlimPajama sequentially ordered by domain. That is, we train on a sequence of \(N\) future datasets \(\{\mathcal{D}_{0},\mathcal{D}_{1},\ldots,\mathcal{D}_{N-1}\}\) each of is a distinct domain of SlimPajama 300B. We note that this is similar to DACPT (Ke et al., 2022), however, we consider much larger datasets for each domain. This setting is particularly challenging due to the distribution shift experience at the transition between each domain. While it is certainly interesting, we believe it is unnecessarily difficult compare to mixing the SlimPajama data before training on it. The poor results in this setting (Sec. A.1 of the appendix) suggest that general-purpose LLMs should be continually pre-trained on a mixture of domains if possible, not updated per domain.

* **세 가지 데이터 세트, 전환 없음**: N=3 설정을 고려하며, 여기서 \(\mathcal{D}_{0},\mathcal{D}_{1},\mathcal{D}_{2}\)는 각각 SlimPajama의 100B token 분할입니다. 이 설정은 주로 많은 미래 업데이트로 확장할 수 있는 기술의 능력을 평가하고 제안된 무한 Learning Rate 일정의 성능을 평가하는 데 사용됩니다. * **도메인 증분 연속 사전 학습**: 이 설정에서는 도메인별로 순차적으로 정렬된 SlimPajama의 token을 소비하는 것을 고려합니다. 즉, 각각 SlimPajama 300B의 고유한 도메인인 \(N\) 미래 데이터 세트 \(\{\mathcal{D}_{0},\mathcal{D}_{1},\ldots,\mathcal{D}_{N-1}\}\)의 시퀀스에 대해 학습합니다. 이는 DACPT(Ke et al., 2022)와 유사하지만, 각 도메인에 대해 훨씬 더 큰 데이터 세트를 고려한다는 점에 유의할 필요가 있습니다. 이 설정은 각 도메인 간의 전환 시 분포 이동 경험으로 인해 특히 어렵습니다. 이 설정은 분명 흥미롭지만, SlimPajama 데이터를 훈련하기 전에 혼합하는 것에 비해 불필요하게 어렵다고 생각합니다. 이 설정의 열악한 결과(부록의 A.1절)는 범용 LLM이 가능한 경우 도메인별로 업데이트하는 것이 아니라 여러 도메인을 혼합하여 지속적으로 사전 학습해야 한다는 것을 시사합니다.

* **세 가지 데이터 세트, 전환 없음**: N=3$ 설정을 고려하며, 여기서 \(\mathcal{D}_{0},\mathcal{D}_{1},\mathcal{D}_{2}\)는 각각 SlimPajama의 100B 토큰 분할입니다. 이 설정은 주로 많은 미래 업데이트로 확장할 수 있는 기술의 능력을 평가하고 제안된 무한 학습 속도 일정의 성능을 평가하는 데 사용됩니다. * **도메인 증분 연속 사전 학습**: 이 설정에서는 도메인별로 순차적으로 정렬된 SlimPajama의 토큰을 소비하는 것을 고려합니다. 즉, 각각 SlimPajama 300B의 고유한 도메인인 \(N\) 미래 데이터 세트 \(\{\mathcal{D}_{0},\mathcal{D}_{1},\ldots,\mathcal{D}_{N-1}\}\)의 시퀀스에 대해 학습합니다. 이는 DACPT(Ke et al., 2022)와 유사하지만, 각 도메인에 대해 훨씬 더 큰 데이터 세트를 고려한다는 점에 유의할 필요가 있습니다. 이 설정은 각 도메인 간의 전환 시 분포 이동 경험으로 인해 특히 어렵습니다. 이 설정은 분명 흥미롭지만, SlimPajama 데이터를 훈련하기 전에 혼합하는 것에 비해 불필요하게 어렵다고 생각합니다. 이 설정의 열악한 결과(부록의 A.1절)는 범용 LLM이 가능한 경우 도메인별로 업데이트하는 것이 아니라 여러 도메인을 혼합하여 지속적으로 사전 학습해야 한다는 것을 시사합니다.

Determining \(B\)As long as all hyperparameters are well-tuned (especially the learning rate and regularization hyperparameters) and the number of training steps is sufficient, it is believed that the same final performance should be attainable using any batch size [19], so the batch size mainly influences the training speed of language models. Often, when training large language models, the ideal batch size is suggested to be set as the largest batch size supported by the available hardware [1], so as to maximize the training speed without considering the computational cost. In Eq 3.12, we show that the critical batch size with the optimal speed/computation trade-off can be analytically computed from the loss value. Under the guidance of this formula, we would be able to estimate the preferred batch size under any loss trajectory. Furthermore, this optimal batch size in Eq 3.12 is determined by equally minimizing the training time and required computation, as shown in Eq 3.9. In practice, if we would like to prioritize one over the other, we can follow the same process to derive the optimal batch size. By this means, we are able to obtain the optimal batch size based on our customized need in a systematic way.

결정 \(B\)모든 하이퍼파라미터(특히 Learning Rate 및 정규화 하이퍼파라미터)가 잘 조정되고 훈련 단계 수가 충분한 한, 모든 Batch Size를 사용하여 동일한 최종 성능을 달성할 수 있다고 믿어지므로 Batch Size는 주로 언어 모델의 훈련 속도에 영향을 미칩니다. 대규모 언어 모델을 훈련할 때는 일반적으로 사용 가능한 하드웨어에서 지원하는 최대 Batch Size로 이상적인 Batch Size를 설정하여 계산 비용을 고려하지 않고 훈련 속도를 최대화하는 것이 좋습니다[1]. 3.12 방정식에서는 Loss 값에서 최적의 속도/계산 비용 절감이 가능한 임계 Batch Size를 분석적으로 계산할 수 있음을 보여줍니다. 이 공식을 통해 모든 Loss 궤적에서 선호하는 Batch Size를 추정할 수 있습니다. 또한 3.12 방정식의 최적 Batch Size는 3.9 방정식과 같이 훈련 시간과 필요한 계산을 동등하게 최소화하여 결정됩니다. 실제로 한쪽을 다른 쪽보다 우선순위에 따라 최적의 Batch Size를 도출할 수 있습니다. 이러한 방식으로 맞춤형 요구 사항에 따라 체계적인 방식으로 최적의 Batch Size를 얻을 수 있습니다.

결정 \(B\)모든 하이퍼파라미터(특히 학습 속도 및 정규화 하이퍼파라미터)가 잘 조정되고 훈련 단계 수가 충분한 한, 모든 배치 크기를 사용하여 동일한 최종 성능을 달성할 수 있다고 믿어지므로 배치 크기는 주로 언어 모델의 훈련 속도에 영향을 미칩니다. 대규모 언어 모델을 훈련할 때는 일반적으로 사용 가능한 하드웨어에서 지원하는 최대 배치 크기로 이상적인 배치 크기를 설정하여 계산 비용을 고려하지 않고 훈련 속도를 최대화하는 것이 좋습니다[1]. 3.12 방정식에서는 손실 값에서 최적의 속도/계산 비용 절감이 가능한 임계 배치 크기를 분석적으로 계산할 수 있음을 보여줍니다. 이 공식을 통해 모든 손실 궤적에서 선호하는 배치 크기를 추정할 수 있습니다. 또한 3.12 방정식의 최적 배치 크기는 3.9 방정식과 같이 훈련 시간과 필요한 계산을 동등하게 최소화하여 결정됩니다. 실제로 한쪽을 다른 쪽보다 우선순위에 따라 최적의 배치 크기를 도출할 수 있습니다. 이러한 방식으로 맞춤형 요구 사항에 따라 체계적인 방식으로 최적의 배치 크기를 얻을 수 있습니다.

The results of this experiment are presented in Table 5. We observe comparable performance between the replicated approach of Mallen, Alex Troy and Asai, Akari and Zhong, Victor and Das, Rajarshi and Khashabi, Daniel and Hajishirzi, Hannaneh [22] and Adapt-LLM when trained on NQ and SQuAD datasets and tested on the 25% subset of PopQA. It's worth mentioning that Adapt-LLM does not utilize any information from PopQA, unlike Mallen, Alex Troy and Asai, Akari and Zhong, Victor and Das, Rajarshi and Khashabi, Daniel and Hajishirzi, Hannaneh [22], who directly use the popularity score and a 75% portion of PopQA dataset to find an optimal value for that popularity score. This methodology is not generalizable to other open-domain question answering tasks since the popularity score is a unique feature of PopQA. However, Adapt-LLM can be applied to any similar dataset. Given these characteristics, we believe that the results obtained by Adapt-LLM are even more significant, offering comparable performance to an approach that utilizes dataset-specific information. These findings substantiate the validity of our approach, demonstrating its effectiveness even when trained on datasets different from the one used for testing.

이 실험의 결과는 표 5에 나와 있습니다. NQ 및 SQuAD 데이터 세트에서 학습하고 PopQA의 25% 하위 집합에서 테스트했을 때 복제된 접근 방식인 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]와 Adapt-LLM 간의 비슷한 성능을 관찰할 수 있습니다. 이 방법론은 인기도 점수를 직접 사용하여 인기도 점수에 대한 최적의 값을 찾는 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]와 달리 PopQA의 어떤 정보도 활용하지 않는다는 점에 주목할 필요가 있습니다. 이 방법론은 인기도 점수가 PopQA의 고유한 특징이기 때문에 다른 오픈 도메인 question answering 작업에는 일반화할 수 없습니다. 그러나 Adapt-LLM은 유사한 데이터 세트에 적용할 수 있습니다. 이러한 특성을 고려할 때, Adapt-LLM이 데이터 세트별 정보를 활용하는 접근 방식과 비슷한 성능을 제공하는 것으로 보아 Adapt-LLM이 얻은 결과는 더욱 의미가 있다고 생각합니다. 이러한 결과는 우리의 접근 방식의 타당성을 입증하며, 테스트에 사용된 데이터 세트와 다른 데이터 세트에서 학습한 경우에도 그 효과를 입증합니다.

이 실험의 결과는 표 5에 나와 있습니다. NQ 및 SQuAD 데이터 세트에서 학습하고 PopQA의 25% 하위 집합에서 테스트했을 때 복제된 접근 방식인 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]와 Adapt-LLM 간의 비슷한 성능을 관찰할 수 있습니다. 이 방법론은 인기도 점수를 직접 사용하여 인기도 점수에 대한 최적의 값을 찾는 Mallen, Alex Troy 및 Asai, Akari 및 Zhong, Victor 및 Das, Rajarshi 및 Khashabi, Daniel 및 Hajishirzi, Hannaneh [22]와 달리 PopQA의 어떤 정보도 활용하지 않는다는 점에 주목할 필요가 있습니다. 이 방법론은 인기도 점수가 PopQA의 고유한 특징이기 때문에 다른 오픈 도메인 질문 답변 작업에는 일반화할 수 없습니다. 그러나 Adapt-LLM은 유사한 데이터 세트에 적용할 수 있습니다. 이러한 특성을 고려할 때, Adapt-LLM이 데이터 세트별 정보를 활용하는 접근 방식과 비슷한 성능을 제공하는 것으로 보아 Adapt-LLM이 얻은 결과는 더욱 의미가 있다고 생각합니다. 이러한 결과는 우리의 접근 방식의 타당성을 입증하며, 테스트에 사용된 데이터 세트와 다른 데이터 세트에서 학습한 경우에도 그 효과를 입증합니다.